- Přehledy IS
- APS (20)
- BPM - procesní řízení (22)
- Cloud computing (IaaS) (10)
- Cloud computing (SaaS) (33)
- CRM (51)
- DMS/ECM - správa dokumentů (20)
- EAM (17)
- Ekonomické systémy (68)
- ERP (77)
- HRM (27)
- ITSM (6)
- MES (32)
- Řízení výroby (36)
- WMS (29)
- Dodavatelé IT slueb a řeení
- Datová centra (25)
- Dodavatelé CAD/CAM/PLM/BIM... (39)
- Dodavatelé CRM (33)
- Dodavatelé DW-BI (50)
- Dodavatelé ERP (71)
- Informační bezpečnost (50)
- IT řeení pro logistiku (45)
- IT řeení pro stavebnictví (26)
- Řeení pro veřejný a státní sektor (27)
ERP systémy
CRM systémy
Plánování a řízení výroby
AI a Business Intelligence
DMS/ECM - Správa dokumentů
HRM/HCM - Řízení lidských zdrojů
EAM/CMMS - Správa majetku a údrby
Účetní a ekonomické systémy
ITSM (ITIL) - Řízení IT
Cloud a virtualizace IT
IT Security
Logistika, řízení skladů, WMS
IT právo
GIS - geografické informační systémy
Projektové řízení
Trendy ICT
E-commerce B2B/B2C
CAD/CAM/CAE/PLM/3D tisk![]() | |
| Přihlaste se k odběru newsletteru SystemNEWS, který kadý týden přináí výběr článků z oblasti podnikové informatiky | |
![]() | |
Internet věcí i strojové učení pomáhají v praxi s úsporami energií
Stále více firem v Česku doplácí na zdraování energií. Rostoucí účty jsou rizikem pro mnoho podnikatelů, pro které mohou znamenat fatální nebezpečí. Kromě vládního zastropování cen energií pomáhá k nezbytným úsporám racionální přístup. Jetě lépe ne svetry se pak v současnosti hodí technologické vychytávky, které společnostem zajistí efektivní řízení energetického managementu.

Vnímáme aktuální poadavky klientů směřující k okamitým řeením s cílem úspor na energiích. Zpravidla vak pro takového opatření není dostatek dat a podkladů pro kvalifikované závěry. Za největí potenciál pro sníení spotřeby energií v budovách povaujeme zejména správné nastavení provozu vech energeticky náročných technologií, pravidelné vyhodnocování spotřeby a následné řeení moné optimalizace, ale také případné vyuití moderních IoT technologií, říká Jaroslav Vaněk, ředitel OKIN FACILITY CZ.
I kdy se díky energetickému managementu dají uetřit významné finanční prostředky, je nutné mít reálná očekávání. Představa, e přijde Chuck Norris a od zítra klient uetří 50 % nákladů na energie není příli reálná. Posloupnost měřit analyzovat - optimalizovat má svou logiku, kterou zatím neumíme zkrátit. Co měříme, můeme řídit. I kdy často nemáme okamitá zázračná řeení, je prospěné, aby klienti začali měřit. Čím dříve začnou, tím dříve budou v budoucnu etřit. Nae řeení postavené na IoT a prostředí umoňující vizualizace a reporting měřených parametrů je připravené na vyuití v téměř jakémkoli prostředí a výrobních, administrativních nebo síových objektů, dodává Vaněk.

Úspory přijdou vhod zejména průmyslovým společnostem, nicméně mají přínos téměř pro vechny byznysové hráče. Největí příleitost k úsporám v oblasti energií spatřujeme zejména v průmyslovém sektoru nebo v odvětvích, která se neobejdou bez energeticky náročných výrobních technologií. Jedná se např. o ocelárny, sklárny či strojírenský a chemický průmysl obecně. Nelze opomenout ani mení a střední výrobní závody, rozrůstající se logistické parky i větí administrativní budovy, podotýká Vaněk a říká, e najít úspory můe být díky energetickému managementu poměrně jednoduché. U jedné firmy vyrábějící součástky jsme pomohli s optimalizací chodu výroby, a tak uetřila na energiích. Nainstalovali jsme čidla, která zjistila, e přes noc běí kompresory, kdy se nic nevyrábí. Vedení o tom nevědělo. Nechtěný noční chod zruilo a uetřilo stovky tisíc korun, uvádí příklad z praxe Václav Trávník z OKIN FACILITY.
Za úsporami energií stojí sofistikovaný přístup, který se procesně skládá z několika fází. Nejdříve se vdy zaměříme na analýzu celkového rozsahu energetického procesu dané společnosti a revizi energeticky náročných technologií. Pak následují analýzy jejich dodavatelů energií, výstupů z realizovaných energetických projektů a následně přijatých opatření. Na základě této hlubí analýzy dodáme konkrétnímu klientovi na míru itý návrh optimalizace, přibliuje Vaněk.

K inovativním náhledům na energie výrazně přispívá i strojové učení. Machine learning skýtá mnoho budoucích příleitostí a výzev. Konkrétním příkladem můe být nabídka instalace různých bezdrátových typů senzorů pro dálkové řízení kvality výrobního či pracovního prostředí, monitoring spotřeby různých energetických médií a v neposlední řadě profesionální software zobrazující dashboard i detailní analýzu výstupů ze sledovaných dat, uzavírá Vaněk.




















