AI a rádiové vlny: konec ztrát mléka ve výrobě

V mlékárnách se často řeší velké věci: energie, ceny surového mléka, kvalita, kapacita, logistika. Jenže nejdražší problémy bývají ty „malé“ – pomalé úniky, špatně načasované proplachy, neviditelné přepínání produktů v potrubí, zbytečně dlouhé rozjezdy linek. Navenek to vypadá jako drobnost. V účetnictví a v uhlíkové stopě to drobnost není.

Právě proto dává smysl technologie, která hlídá tekutiny v potrubí v reálném čase pomocí rádiových vln a datové analýzy. Finská firma Collo tomu říká „otisk tekutiny“: průběžně sleduje, co přesně proudí potrubím, a v okamžiku odchylky upozorní obsluhu nebo systém řízení procesu. V kontextu série Umělá inteligence v zemědělství a potravinářství je to hezký příklad toho, jak AI v potravinářství nepůsobí jako „velký mozek“, ale jako velmi praktický dohled nad detaily, které rozhodují o zisku i o udržitelnosti.

Proč je plýtvání v mlékárně tak tvrdý problém

Krátká odpověď: protože ztráty vznikají v potrubí a nádržích potichu a každý litr se násobí.

V mlékárenské výrobě se běžně pracuje s velkými průtoky a častými změnami režimu: přepínání mezi šaržemi, mezi produkty (mléko, smetana, syrovátka), mezi fázemi (výroba, CIP, proplach). Každá změna znamená riziko:

• Záměna tekutin (produkt vs. voda, produkt vs. CIP roztok) a následné znehodnocení části šarže.
• Mikro-úniky na výpustích, těsněních a odběrových místech, které si nikdo nevšimne celé týdny.
• Příliš konzervativní proplachy: „Radši to ještě chvíli pouštěj do odpadu, ať je to čisté.“
• Chyby při rozjezdu/odstávce: ztráty na začátku a konci bývají největší, protože se systém „ladí“.

Mléko je navíc produkt s relativně nízkou marží, citlivý na hygienu. Takže jakmile vznikne nejistota, lidé často volí bezpečnou (ale drahou) cestu: více proplachovat, více vyhazovat.

Jak funguje „otisk tekutiny“: rádiové vlny + data

Krátká odpověď: zařízení vysílá do potrubí radiofrekvenční pole a z odezvy pozná složení i změny proudící tekutiny.

Princip popisovaný u Collo stojí na elektromagnetickém rezonátoru, který do proudící tekutiny vysílá kontinuální radiofrekvenční pole. Signál se „chová“ jinak podle toho, co je v potrubí – podle chemického složení, fází a dalších vlastností. Výsledkem je sada parametrů, které dohromady tvoří jedinečný profil (fingerprint).

Proč je to pro provoz důležité

Nejde jen o to poznat „je tam mléko“. V praxi potřebujete:

• rozlišit produkt vs. voda při proplachu,
• poznat přechodové stavy (mix dvou tekutin),
• zachytit odchylku kvality v reálném čase,
• mít jistotu, že na konkrétním odvodňovacím bodě teče to, co má.

Z pohledu dat je to typický scénář pro AI a analytiku v potravinářství: máte kontinuální signál, nad kterým dává smysl detekce anomálií, klasifikace režimů (produkt/proplach/přechod), a ideálně i predikce (např. „těsnění na tomto místě se zhoršuje, trend úniku roste“).

„AI“ nemusí být vidět, aby fungovala

V řadě podniků se AI bere jako velký projekt. Realita? Největší přínos často přichází ze „skromných“ modelů:

• detekce odchylky od normálu (anomaly detection),
• modely pro rozpoznání stavu procesu (classification),
• trendové modely pro včasnou údržbu.

Provoz to ocení, protože dostává jasnou odpověď: kde, kdy a co se změnilo.

Kde přesně vznikají ztráty – a jak je data pomáhají zavřít

Krátká odpověď: nejvíc peněz mizí při přechodech a na „neviditelných“ výpustích.

1) Přepínání produktů a „hranice“ šarží

Každé přepnutí má přechodovou zónu – chvíli teče směs dvou médií. Bez dobrého měření se obvykle volí hrubý odhad, který končí odpadem.

S průběžným měřením otisku tekutiny se dá:

• zkrátit bezpečnostní „polštář“ při přepínání,
• přesněji rozhodnout, kdy už je potrubí čisté pro další produkt,
• snížit objem produktu, který se pošle do odpadu nebo do nižší jakosti.

2) Pomalé úniky: „kapalo to měsíc a nikdo to neviděl“

Mikro-úniky jsou zrádné. Nezpůsobí okamžitý incident, ale dlouhodobě bolí. Pokud systém dohlíží na odvodňovací body a hlásí odchylky okamžitě, únik se řeší v hodinách, ne v týdnech.

3) Incidenty a reputace

Velké úniky mohou být i environmentální problém (odtok do kanalizace, zápach, zásah úřadů). Reálný čas znamená, že incident zachytíte dřív, než se stane „viditelným“ pro okolí.

Jak z toho udělat reálný projekt v české mlékárně

Krátká odpověď: začněte jedním „bolestivým“ místem, změřte baseline a teprve pak škálujte.

Z vlastní zkušenosti s datovými projekty v provozu platí jedno: nejrychlejší cesta k výsledku je pilot s jasným cílem.

Krok 1: Vyberte use case s měřitelným přínosem

Typicky:

• linka s častým přepínáním,
• část provozu s vysokými ztrátami při CIP,
• problematické výpusti, kde „to občas teče“.

Krok 2: Zaveďte jednoduché KPI

Doporučuju držet se 3–5 metrik, které umí pochopit výroba i finance:

• litry produktu v odpadu na přepnutí,
• doba přechodového stavu,
• počet anomálií/úniků za týden,
• náklady na proplach (voda, chemie, energie),
• OEE dopad (krátké zastávky, ladění).

Krok 3: Integrace do řízení procesu (bez toho to bolí)

Samotný senzor je začátek. Největší efekt přijde, když se měření napojí na:

• SCADA/MES,
• alarm management,
• reporting pro směny,
• případně automatické rozhodování (např. přesměrování toku při přechodu).

Krok 4: Nastavte provozní pravidla

AI a data nejsou náhrada disciplíny. Funguje to, když je jasné:

• kdo reaguje na alarm,
• do jakého času,
• jak se incident zapisuje,
• jak se vyhodnocuje, zda šlo o falešný poplach.

Co si pohlídat: limity, rizika a realita implementace

Krátká odpověď: technologie je jen tak dobrá, jak dobrý je proces kolem ní.

• Kalibrace a změny receptur: Mlékárna není laboratorní voda. Složení se mění (sezónnost, tuk, sušina). Systém musí umět pracovat s variabilitou, ne ji považovat za chybu.
• Hygiena a certifikace: Vše v kontaktu s potravinou má své požadavky. Výhodou „vnějšího“ měření může být menší zásah do toku produktu.
• Falešné alarmy: Pokud systém křičí pořád, lidi ho začnou ignorovat. Lepší je méně alarmů, ale spolehlivých.
• Změnové řízení: Zkrácení proplachů je citlivé téma. Bez dohody s QA a bez datového důkazu to nepůjde.

Tady je můj jasný postoj: pokud podnik nemá chuť upravit pracovní postupy, nemá smysl kupovat „chytré“ měření. Když ale postupy upraví, návratnost bývá překvapivě rychlá.

Proč to zapadá do AI v zemědělství a potravinářství

Krátká odpověď: protože největší dopad AI často není na poli, ale v potrubí.

V sérii Umělá inteligence v zemědělství a potravinářství obvykle mluvíme o senzorech na polích, dronových snímcích, predikci výnosů. Jenže potravinový řetězec nekončí sklizní. Pokud se produkt ztratí ve zpracování, veškerá „preciznost“ z primární výroby přichází vniveč.

Technologie typu „otisk tekutiny“ je praktický most mezi světy:

• precizní monitoring (real-time data),
• optimalizace procesu (méně proplachů, méně odpadu),
• udržitelnost (nižší uhlíková stopa na litr finálního výrobku),
• sledovatelnost a kvalita (rychlé odhalení odchylek).

A tohle je směr, který bude v roce 2026 ještě silnější: potravinářství už neřeší jen „vyrob“, ale „vyrob přesně, opakovatelně a s minimem ztrát“.

Další krok: od monitoringu k optimalizaci

Když už jednou měříte, dává smysl jít dál. Nejčastější rozšíření, která vidím jako realistická:

1. Prediktivní údržba: modely, které z trendu signálu poznají zhoršující se těsnění nebo ventil.
2. Automatizované řízení přechodů: systém sám přepne tok z odpadu do produktu ve správnou chvíli.
3. Benchmarking směn a linek: identifikace, kde vzniká nejvíc ztrát a proč.
4. Kombinace se spotřebou energií a vody: optimalizace nákladů na CIP jako celek.

Jedna věta, kterou si v tomhle tématu rád opakuju: Nejlevnější litr mléka je ten, který už jste vyrobili a nemusíte ho vyhodit.

Pokud vás zajímá, jak podobný koncept uchopit u vás (ať už jste mlékárna, pivovar nebo jiný zpracovatel tekutin), začněte jednoduchou otázkou: Kde přesně dnes vzniká odpad a umíme ho změřit v minutách, ne v reportu na konci měsíce? To je moment, kdy se z AI stává provozní nástroj, ne prezentace.