Největším případem v historii oboru bylo svolávání aut s airbagy od dodavatele Takata, které zasáhlo více než sto milionů vadných nafukovačů airbagů napříč zhruba dvaceti automobilkami. Vadné nafukovače jediného dodavatele tehdy ohrozily globální trh a ukázaly, jak křehká dokáže být celá síť, pokud nedokážete přesně identifikovat historii a podmínky výroby konkrétního dílu v konkrétním autě. Právě to je důvod, proč se sledování součástek posouvá co nejblíž k jednotlivému kusu. Cílem je zachytit problém ještě dřív, než auta opustí brány továrny.

Způsob, jakým výrobci své součástky hlídají, prošel za posledních pár let hlubokou proměnou. Historicky se kontrola odehrávala na úrovni výrobních šarží, dnes ale technologický trend jasně míří na úroveň jednotlivých komponentů. Manažer výroby chce vědět, kdy přesně, na které lince a za jakých podmínek díl vznikl, a podle toho dokáže reklamační proces výrazně zúžit.

Dobře to ukazuje běžná situace z provozu. Dříve si operátoři drobné odchylky v technologickém postupu všimli třeba až po dvou dnech a továrna pak musela pro jistotu vyřadit tisíce potenciálně vadných dílů. Dnes se taková chyba dá zachytit cíleně a okamžitě, protože místo plošných odhadů nad velkými dávkami míříme na konkrétní identifikátor součástky. Víme, kde přesně chyba vznikla, a známe cestu každého kusu.

Technicky vzato se dobře nastavená traceabilita skládá ze dvou fází, které dohromady pokrývají celý život součástky. První probíhá přímo na výrobní lince, kde data vznikají průběžně. Každý krok výroby uloží své parametry. Když kovový díl projde pilou nebo frézou, zaznamená se rychlost posuvu i teplota nástroje a, jakmile následuje chemická nebo tepelná úprava, navážou se tyto údaje na unikátní kód daného kusu.

Druhá fáze přichází ve chvíli, kdy se data vydávají na vyžádání. Dokumentaci si žádá buď přímo odběratel, jako je třeba Mercedes, nebo k ní slouží specializovaný portál s řízeným přístupem. Celý systém stojí na velmi přísné legislativě, která výrobcům ukládá držet kompletní dokumentaci v určitých případech i po dobu třiceti let. Jakmile se díl namontuje do auta, spáruje se s identifikačním číslem vozu, takže výrobce zná kódy všech zabudovaných komponentů. Každý z nich tak získává svůj digitální rodný list. Evropské předpisy tento koncept pod názvem digitální produktový pas postupně zavádějí pro klíčové segmenty.

 

Legislativa dnes funguje jako jeden z hlavních motorů technologického pokroku v našich továrnách. Dobrým příkladem je nové nařízení Evropské unie 2023/1542 o bateriích, které nahrazuje starší směrnici z roku 2006 a zasahuje do celého dodavatelského řetězce. Pro trakční baterie elektromobilů a průmyslové baterie s kapacitou nad dvě kilowatthodiny zavádí povinný digitální produktový pas. Označování baterií začne nabíhat už v letošním roce a povinnost generovat unikátní QR kódy vstoupí v platnost od února 2027.

 

Detailní trasování ale přináší ještě jednu výhodu, která bývá snadno přehlédnutelná. Umožňuje totiž sledovat ESG parametry a počítat přesnou uhlíkovou stopu. Když známe cestu každého kusu od surového materiálu, plníme zelené legislativní požadavky prakticky automaticky už při samotném návrhu výroby. Na trhu se z toho stává konkurenční výhoda, protože velké automobilky si dnes vybírají subdodavatele i podle toho, jak nízkou uhlíkovou stopu u svých produktů dokážou doložit.

Zatím největší zlom ale přichází ve chvíli, kdy do celého procesu zapojíme pokročilé modely umělé inteligence. Data, která v minulosti znamenala spíš administrativní zátěž, se proměňují v cenný zdroj informací. Místo abychom chyby pouze zpětně dohledávali, můžeme je začít předvídat. Algoritmy dokážou odhalit riziko poruchy ještě předtím, než se součástka vůbec dostane do finální montáže. V praxi to vypadá tak, že se tisíce procesních parametrů z výroby proženou natrénovaným modelem a ten spočítá pravděpodobnost výskytu chyb u jednotlivých dílů. Vzniká takzvaná pyramida pravděpodobnosti, ze které je vidět, kterých dalších součástek ze stejného období se může skrytá strukturální vada týkat. Výrobce pak problém zachytí vlastními silami a případnou svolávku spustí proaktivně, s nízkými náklady a bez čekání na selhání v reálném provozu.

Celý tento přístup k datům dobře zapadá do širšího rámce Průmyslu 4.0 a jeho extrémní míry customizace. Automobilka BMW podle dostupných údajů na jedné konkrétní lince v rámci jednoho roku nevyrobí dvě identická auta. Kvůli mnoha kombinacím příplatkové výbavy, barev a motorizací je pravděpodobnost potkání dvou identických vozů v sekvenci téměř nulová. Procesní rozdíly se proto musí neustále vyvažovat, třeba u kovaných dílů pro řadu pět oproti specifické variantě pro řadu šest. Výroba je ostatně trvalé hledání kompromisu mezi efektivitou, spotřebou energie a výslednou kvalitou. Jde o to pokaždé zasáhnout ideální rovnováhu, pomyslný „sweet spot". Právě data z trasování jednotlivých kusů nám ukazují, kde tento bod leží.

 

Trasování na úrovni jednoho kusu tvoří základ moderní továrny a umělá inteligence je jeho násobič. Výsledkem je levnější, ekologičtější a dlouhodobě udržitelnější výroba, která navíc dává hlubší vhled do vlastních procesů. A svolávka, kterou jsem zmínil v úvodu, se z noční můry mění v přesný a zvládnutelný zásah. Namísto statisíců stažených vozů vyměníte pár desítek konkrétních kusů, u kterých přesně víte, kde a kdy vznikly. V tom je celý ten rozdíl.