Zvýšení výkonu strojů a jeho dopad na životní prostředí

Hlavním cílem každého manažera výroby je zajistit efektivitu výrobní linky. Jedním ze způsobů, jak měřit výkon a identifikovat prostor pro zlepšení, je výpočet celkové efektivnosti zařízení (OEE).

Postavení celkové efektivnosti zařízení (OEE) ve výrobních procesech

Celková efektivnost zařízení (OEE) měří tři kritické faktory ve výrobních procesech: provozuschopnost, výkon a kvalitu. Provozuschopnost se vztahuje na dobu, po kterou je stroj připraven k provozu, s výjimkou odstávek způsobených údržbou, seřizováním nebo jinými zásahy. Výkon je míra, při které zařízení pracuje v porovnání s jeho maximální potenciální rychlostí. Nakonec kvalita označuje podíl vyrobených dobrých produktů v porovnání s celkovým výstupem.

Například v automobilovém závodě může OEE pomoci identifikovat úzká místa na výrobních linkách, jako jsou pomalé svařovací stroje nebo vadné lakovací roboty. Vyřešením těchto problémových míst může závod zvýšit svoji propustnost a udržet vyšší úroveň kvality hotových produktů.

Využití technologií Industry 4.0 pro zlepšení OEE

Technologie Industry 4.0, jako je internet věcí (IoT), strojní učení a analýza velkých dat, pomáhají výrazně zlepšit OEE. Zařízení internetu věcí dokáží monitorovat výkon stroje v reálném čase a sbírat cenné údaje o provozuschopnosti, výkonu a kvalitě. Algoritmy strojního učení pak mohou tyto údaje analyzovat, aby identifikovaly vzorce a trendy, což pomůže výrobcům odhalit oblasti pro zlepšení a implementovat adresní zlepšení.

Například společnost vyrábějící polovodiče může používat senzory internetu věcí ke sledování úrovní teploty a vlhkosti ve výrobních prostorách. Algoritmy strojního učení mohou tyto údaje analyzovat a odhalit jakékoli anomálie nebo vzorce ovlivňující kvalitu polovodičových destiček. Řešením těchto problémů může společnost zlepšit své OEE a zajistit výrobu vysoce kvalitních produktů.

Čtěte také: Liberci chybí kontejnery

Technologie Industry 4.0 pomáhají zlepšit OEE i následujícími způsoby:

• Monitorování a analýza údajů v reálném čase: Senzory a zařízení internetu věcí shromažďují údaje z výrobních procesů, což umožňuje monitorování výkonu zařízení v reálném čase. Tyto údaje lze použít na optimalizaci operací, snížení prostojů a zvýšení efektivity.
• Prediktivní údržba: Algoritmy strojního učení mohou analyzovat údaje ze senzorů a identifikovat vzory naznačující potenciální selhání zařízení. To umožňuje proaktivní údržbu, snižuje neplánované prostoje a zvyšuje dostupnost zařízení.
• Adaptivní výrobní procesy: Technologie Industry 4.0 mohou usnadnit flexibilní výrobu přizpůsobováním procesů měnícím se podmínkám, jako jsou výkyvy poptávky nebo dostupnost materiálů. To vede k vyšší produktivitě a optimalizaci podnikových zdrojů.
• Digitální dvojčata: Digitální reprezentace fyzických objektů na provozu lze použít k optimalizaci výrobních procesů, což podnikům umožňuje odstraňovat úzká místa, navzájem koordinovat výrobní procesy v reálném čase a eliminovat neefektivní řízení podnikových zdrojů.
• Pokročilá robotika a automatizace: Integrace pokročilé robotiky a automatizace zlepšuje přesnost, rychlost a konzistentnost výrobních procesů, což vede i k vyšší kvalitě produktů a zkrácení výrobních cyklů.
• Rozšířená a virtuální realita: Technologie AR a VR lze použít na školení a pomoc na dálku, díky čemuž se zlepšují i dovednosti pověřených zaměstnanců a zkracuje se čas potřebný k řešení problémů se zařízením.
• Energetický management: Technologie Industry 4.0 dokáží optimalizovat spotřebu energie monitorováním a řízením používání výrobních zařízení a dalších technologií na provozu, což má za následek nižší náklady za energii a snížení environmentální stopy.
• Vylepšená integrace dodavatelského řetězce: Vylepšená komunikace a sdílení údajů mezi dodavateli, výrobci a zákazníky zefektivňuje celý dodavatelský řetězec, zkracuje dodací lhůty a snižuje náklady na zásoby následkem čehož se zlepší OEE.
• Zabezpečení a kontrola kvality: Pokročilé inspekční systémy v kombinaci s algoritmy strojového učení odhalují vzniklé chyby a identifikují problémy s kvalitou v reálném čase, což umožňuje aplikovat okamžitá nápravná opatření a snižovat tak míru zmetků.
• Kustomizace a personalizace: Technologie Industry 4.0 umožňují větší přizpůsobení a personalizaci výrobků pro klienty prostřednictvím automatizace a optimalizace výrobních procesů například s MES systémy, což vede k vyšší spokojenosti zákazníků a lepšímu OEE.

Úloha OEE ve štíhlé výrobě

OEE hraje klíčovou roli v neustálém zlepšování a metodologiích štíhlé výroby, jejichž cílem je eliminovat plýtvání a optimalizovat procesy ve výrobě. Identifikací oblastí zlepšení pomáhá OEE výrobcům zaměřit se na nevýznamnější změny, které povedou k efektivnějšímu provozu a snížení nákladů.

Představte si podnik na zpracování potravin, který používá OEE k identifikaci neefektivnosti své balicí linky. Analýzou údajů OEE může podnik zjistit, že konkrétní stroj neustále neplní balení, což následně vede k plýtvání potravinami, nespokojenosti zákazníků a poškození firemní reputace. Řešením tohoto problému může podnik zlepšit své OEE a optimalizovat proces balení, čímž se minimalizuje vznik odpadu.

OEE je důležitým nástrojem pro výrobní manažery, kteří se snaží optimalizovat své výrobní linky a zvýšit efektivitu. Měřením výkonu napříč více procesy může OEE pomoci odhalit oblasti na zlepšení a pomoci při adresných zásazích, které vedou k lepšímu využívání strojů, zvýšení výrobní kapacity a vyšší kvalitě produktů. Využitím technologií Industry 4.0 a integrací OEE do metodologií kontinuálního zlepšování a štíhlé výroby se mohou výrobci dostat před konkurenci a prosperovat v dnešním rychle se měnícím průmyslovém prostředí.

Zavedením pravidel štíhlé výroby mohou podniky následně zlepšit OEE:

Čtěte také: Obnovitelné zdroje v ČR

• Neustálé zlepšování (Kaizen): Štíhlá výroba podporuje kulturu neustálého zlepšování, v níž zaměstnanci pomáhají identifikovat a řešit sníženou výrobu v provozních procesech. Díky tomu lze pomoci zvýšení výkonu výrobních zařízení, zkrácení prostojů a zlepšení OEE.
• Standardizovaná práce: Standardizace pracovních postupů a výrobních procesů pomáhá snižovat variabilitu, zajišťuje konzistentní kvalitu a zlepšuje efektivitu výrobních technologií. Snížením lidských chyb a zjednodušením úkolů přispívá standardizace práce a úkolů k vyššímu OEE.
• Výroba just-in-time (JIT): Přístup JIT se zaměřuje na výrobu správných produktů ve správném množství ve správný čas a na správných o místech. Tímto přístupem se zamezuje nadměrným zásobám a rozpracovaným výrobkům (work-in-progress) a zlepšuje se dostupnost podnikových zdrojů.
• Totální produktivní údržba (TPM): TPM zdůrazňuje důležitost proaktivní a preventivní údržby s cílem minimalizovat prostoje zařízení na linkových a neustále udržovat jejich optimální výkon. Tím se zvyšuje dostupnost a provozuschopnost zařízení.
• SMED (Single Minute Exchange of Dies): SMED je metodika, jejímž cílem je zkrátit časy nastavování a výměny zařízení, minimalizovat činnosti bez přidané hodnoty a zvýšit využití zařízení.
• Analýza základní příčiny (root cause analysis): Tato metoda štíhlé výroby se zaměřuje na identifikaci a odstranění základních příčin problémů, a ne jen řešení symptomů. Tak se dosahují dlouhodobých řešení a menšího počtu opakujících se problémů.
• Vizuální management: Vizuální pomůcky, jako jsou kanbanové tabule a systémy andon, usnadňují komunikaci a zprostředkují relevantní informace o stavu a výkonu zařízení v reálném čase. Tyto pomůcky pomáhají rychle identifikovat a řešit problémy, čímž se zlepšuje výkon výrobních zařízení.
• Mapování hodnotového toku (Value Stream Mapping): Tento nástroj štíhlé výroby umožňuje výrobním podnikům analyzovat a optimalizovat celý výrobní proces, od materiálů až po hotové výrobky. Identifikací úzkých míst a postupů, kde vzniká odpad, mohou společnosti podniknout cílená opatření ke zlepšení OEE.
• Mezifunkční týmy: Štíhlá výroba podporuje spolupráci mezi různými odděleními a rolemi, což vede k efektivnějšímu řešení problémů a lepší celkové efektivnosti zařízení.
• Školení zaměstnanců: Štíhlá výroba se zaměřuje i na rozvoj kvalifikované pracovní síly. Investováním do školení zaměstnanců a poskytováním potřebných nástrojů a zdrojů mohou společnosti zlepšit produktivitu a výkon zařízení, což v konečném důsledku povede ik vyšší OEE.

Výpočet měření výkonu OEE pro výrobní zařízení

Výpočet měření výkonnosti OEE (Overall Equipment Effectiveness) pro výrobní zařízení je zásadním krokem ke zlepšení výrobních procesů. Pochopení OEE přináší relevantní informace o tom, kde vznikají ztráty a pomáhá identifikovat oblasti, které potřebují optimalizaci pro trvalý a udržitelný nárůst produkce. Odhalením zdrojů snížené efektivnosti mohou podniky vyvíjet lepší metody a zlepšovat výrobní postupy na všech úrovních - od strojů a práce až po spotřebu energie. Měření OEE také podporuje lepší komunikaci mezi odděleními, což vede k vyšší kvalitě a lepším vztahům se zákazníky poskytováním spolehlivých výsledků včas.

Mezi doporučené postupy při výpočtu měření OEE patří:

• Jasně definované metriky OEE: Zajistěte, aby tři klíčové komponenty OEE (dostupnost, výkon a kvalita) byly jasně definovány a pochopeny všemi zúčastněnými stranami.
• Používání standardizovaných vzorců: Postupujte podle standardních vzorců pro výpočet OEE faktorů:
  • Provozuschopnost= Provozní čas / Plánovaný čas výroby
  • Výkon = (celkový počet vyrobených dílů * ideální čas cyklu) / provozní čas
  • Kvalita = dobré vyrobené díly / celkový počet vyrobených dílů
  • OEE = dostupnost × výkon × kvalita
• Sbírejte přesné a konzistentní údaje: Zajistěte, aby metody sběru údajů byly spolehlivé, standardizované a konzistentní napříč výrobními změnami, stroji a operátory. Automatizovaný sběr dat pomocí senzorů a zařízení internetu věcí pomáhá minimalizovat lidské chyby.
• Měření na správné úrovni: Vypočítejte OEE na vhodné úrovni granularity, jako jsou jednotlivé stroje, výrobní linky nebo celé závody. To umožňuje lépe identifikovat výkonnostní mezery a oblasti ke zlepšení.
• Stanovte základní linii: Stanovte základní hodnotu OEE pro váš výrobní proces, kterou lze použít jako kritérium (benchmark) pro měření zlepšení v průběhu času.
• Stanovte si realistické cíle: Stanovte si dosažitelné cíle OEE na základě benchmarků ve vašem odvětví, historické výkonnosti a specifických cílů vašeho podniku. Tyto cíle by měly být ambiciózní, avšak dosažitelné.
• Analyzujte ztráty: Identifikujte a kategorizujte ztráty, které mají dopad na vaše OEE jako jsou poruchy zařízení, časy nastavování a úpravy, snížená rychlost a odchylky v kvalitě. To vám umožní řešit hlavní příčiny těchto problémů.
• Pravidelně monitorujte OEE: Důsledně monitorujte a reportujte indikátory OEE, abyste mohli sledovat pokrok a identifikovat trendy. Pravidelné kontroly pomáhají zajistit, že zlepšení budou trvalá, a odhalit jakékoli vznikající problémy.
• Zapojte zaměstnance: Zapojte všechny relevantní zaměstnance do procesu výpočtu a analýzy OEE, od operátorů až po manažery. To podporuje kulturu sounáležitosti a kolektivního úsilí.
• Kontrolujte a upravujte: Průběžně vyhodnocujte a upravujte své metody a cíle výpočtu OEE podle potřeby na základě změn v technologiích, zlepšení procesů nebo měnících se obchodních cílů.

Osvědčené postupy pro zlepšení OEE

Za účelem dosažení vyšší úrovně produktivity a ziskovosti by měly podniky zaměřit na osvědčené postupy (best practices) na zlepšení celkové efektivnosti zařízení (OEE). International Organisation for Standardization doporučuje začlenit metody a principy Six Sigma pro diagnostikování základních příčin vzniku odpadu a vytvoření preventivních opatření ke zvýšení efektivnosti systému. Například nápojářská společnost může použít principy Six Sigma ke snížení variability v procesu plnění, čímž se dosáhne konzistentní kvality produktu a minimalizuje se odpad. Následující principy Six Sigma pomáhají při zlepšení OEE:

• Define, Measure, Analyze, Improve, Control (DMAIC): Metodologie DMAIC vytváří strukturovaný přístup k řešení problémů a neustálému zlepšování. Aplikace DMAIC na výrobní procesy pomáhá identifikovat a eliminovat zdroje neefektivnosti, čímž se zlepší provozuschopnost, výkon a kvalita.
• Rozhodování založené na údajích: Six Sigma zdůrazňuje důležitost sběru a analýzy údajů pro přijímání kvalifikovaných rozhodnutí. Využitím údajů k identifikaci neefektivnosti procesů a oblastí ke zlepšení mohou výrobní manažeři zaměřit své úsilí na cílená opatření, která budou mít pozitivní vliv na OEE.
• Standardizace procesů: Six Sigma podporuje konzistentnost a opakovatelnost procesů minimalizací variability. To vede k předvídatelnějšímu výkonu zařízení, snížení prostojů a zvýšené kvalitě.
• Analýza základních příčin: Metodologie Six Sigma, jako například 5x Proč nebo Ishikawův diagram, podporují identifikaci a eliminaci základních příčin problémů namísto jednoduchého řešení symptomů. Výsledkem bývají efektivnější a dlouhodobá řešení, která mají přímý vliv na OEE.
• Statistické řízení procesů (SPC): SPC je klíčový nástroj Six Sigma pro monitorování a kontrolu variability procesů. Identifikací a zmírněním zdrojů variability mohou výrobní manažeři udržovat stabilní a efektivní procesy, které v konečném důsledku zlepšují OEE.
• Design for Six Sigma (DFSS): DFSS je přístup k navrhování produktů a procesů se zaměřením na kvalitu a spokojenost zákazníka. Začleněním aspektů kvality od raných stádií návrhu mohou výrobní podniky předejít chybám a neefektivnosti, které by měly negativní dopad na OEE.
• Školení a certifikace: Six Sigma poskytuje strukturovaný školící a certifikační program (Yellow Belt, Green Belt, Black Belt atd.) pro rozvoj dovedností zaměstnanců při řešení problémů, analýze údajů a zlepšování procesů. To pomáhá vytvořit kulturu neustálého zlepšování, která se často odráží i na lepších parametrech OEE.
• Mezifunkční týmy: Six Sigma podporuje spolupráci mezi různými odděleními a rolemi, čímž vzniká holistický přístup k řešení problémů a kontinuálnímu zlepšování.
• Orientace na zákazníka: Upřednostňováním potřeb a požadavků zákazníků pomáhá Six Sigma zajistit, aby výrobky a procesy poskytovaly zákazníkům vyšší hodnotu. Zvýšení kvalitě výrobků je součástí zlepšení celkové efektivnosti zařízení.
• Snížení odpadu: Metodologie Six Sigma se zaměřují na reducki odpadu a minimalizaci defektů, což vede k výkonnějším a nákladově efektivnějším výrobním procesům. Snížením odpadu mohou výrobní podniky optimalizovat využití zdrojů.

Kromě toho přijetí programu Total Productive Maintenance (TPM) pomáhá udržovat stroje v provozu prostřednictvím pravidelných kontrol a oprav plánované údržby. Integrace TPM do systému Effective Plant Management umožňuje podnikům dosáhnout rychlejších reakčních časů a zlepšených schopností řešení problémů během v...

Spotřeba energie a materiálu v datacentrech

Velké generativní modely AI jsou energeticky náročné a vyžadují specializovaný hardware, což vede ke zvýšené spotřebě elektřiny a vody v datacentrech. V roce 2024 spotřebovala všechna datacentra dohromady 415 TWh elektřiny, tedy necelých 1,5 % globální spotřeby. Celkové emise skleníkových plynů z výroby elektřiny pro provoz datacenter se odhadují na 180 milionů tun CO2 za rok 2024 (přibližně 0,35 % globálních emisí všech skleníkových plynů). Z toho tedy čistě na provoz datacenter pro umělou inteligenci připadá 27 milionů tun CO2 (0,05 % globálních emisí), což je nižší množství skleníkových plynů než roční emise českých uhelných elektráren (přibližně 30 milionů tun CO2).

Čtěte také: Svoz domovního odpadu - nové ceny

Voda je v datacentrech využívána především k chlazení: vysoce výkonné čipy spotřebovávají více elektřiny, proto se u toho také více zahřívají a klasické chlazení založené na cirkulaci vzduchu již není dostatečné. I když jejich výstavba nevyžaduje extrémní množství materiálu ve srovnání s jinými typy staveb, samotné servery a kabeláž spotřebovávají značné množství mědi a dalších surovin - včetně kritických a vzácných minerálů. V některých případech tvoří datacentra významný podíl na celosvětové spotřebě těchto materiálů. Servery se navíc obvykle vyměňují každé 3 až 5 let, což dále zvyšuje poptávku po surovinách a zároveň vytváří velké množství elektroodpadu.

Využití AI pro ochranu životního prostředí

Vývoj a využívání umělé inteligence s sebou nese určitou ekologickou zátěž - stejně jako většina lidských činností. Zároveň ale AI nabízí značný potenciál, jak životnímu prostředí pomáhat. Hlavní síla neuronových sítí spočívá v jejich schopnosti modelovat a predikovat komplexní jevy, kde jiné běžně používané statistické metody či fyzikální modely nejsou dostatečné. Modely založené na umělé inteligenci dnes dokážou předpovídat počasí přesněji a rychleji než běžné fyzikální modely. Umělá inteligence také umožňuje lépe predikovat rozsah zalednění v arktické oblasti nebo lépe porozumět chování zvířat. Pomocí AI lze detekovat zraněná zvířata nebo také pytláky. Autonomní drony lze použít k zalesňování obtížně dostupných oblastí. Umělá inteligence umožňuje lepší detekování plastů v oceánech a následně také efektivnější čištění.

Udržitelnost ve výrobě lesnických strojů

Ve společnosti John Deere usilujeme o poskytování inovativních řešení pro udržitelné lesnictví a výrobu lesnických strojů. Naše továrna na lesnické stroje se věnuje snižování emisí skleníkových plynů, minimalizaci odpadu a maximalizaci recyklace. Naše úsilí vedlo ke snížení spotřeby paliva o více než 20% na jeden krychlový metr výroby harvestorů od řady E až po řadu H. Kromě toho, jsou naše motory od roku 2024 certifikovány k používání obnovitelné nafty, čímž se emise CO₂ snížily až o 90%.

V letech 2012 až 2023 jsme snížili množství odpadu na vyrobenou tunu o působivých 16%. V letech 2012 až 2023 jsme snížili spotřebu energie na vyrobenou tunu o působivých 27%. Od přijetí protokolu FHF v roce 2017 jsme dosáhli pozoruhodného 79% snížení emisí skleníkových plynů.

Energetické štítky a směrnice EuP

Energetické štítky jsou klíčovou součástí globálního úsilí za snížení spotřeby přírodních zdrojů. Štítky informují zákazníka o budoucích dopadech jeho nákupu. V současnosti existuje mnoho národních a jiných energetických štítků týkajících se budov, automobilů, žárovek, myček a sušiček nádobí, klimatizačních jednotek atd. Směrnice EuP (směrnice pro výrobky používající energii) pracuje rovněž na klasifikaci průmyslových aplikací s cílem nastavit pravidla pro budoucí úspory energie.

Posuzování životního cyklu (LCA) a eco-body

Všechny výrobky nějakou měrou poškozují životní prostředí. Musí se vytěžit suroviny, výrobky se musí vyrobit, zabalit a distribuovat. Během provozu mohou spotřebovávat energii anebo materiál. A nakonec musejí být nějakým způsobem zlikvidovány. Eco-indikátor 99 je vynikající metoda pro výpočet ekologické zátěže celého životního cyklu pick-and- place stroje nasazeného v montážní lince.

Zátěž životního cyklu pick-and-place strojů

Zjednodušený LCA strom ukazuje, že nejvýznamnější materiálové a energetické toky během životního cyklu pick-and-place stroje tvoří ocel, hliník, plasty a měď; a montáž/balení, přeprava a provoz stroje. Během výroby představuje největší ekologickou zátěž ocel, která tvoří největší materiálový objem. Významná je doprava po zemi a zejména vzduchem. Největší ekologický dopad během provozu představuje elektrická a další energie spotřebované na pohon stroje.

Výpočet klasifikace eco-bodů

Vypočítejme si model škod pro tyto toky. Máme tři kategorie škod: zdroje, ekosystém a lidské zdraví. Do zdrojů patří i dodatečná energie nutná v budoucnosti pro těžbu minerálních a fosilních zdrojů. Ekosystém zahrnuje dopad na diverzitu druhů v souvislosti s faktory, jako jsou ecotoxicita, okyselování, eutrofizace, změny klimatu, úbytek ozónové vrstvy a využití půdy. Do kategorie lidského zdraví patří počet a délka trvání všech souvisejících karcinogenních účinků nebo onemocnění dýchacích cest, a dále počet roků nedožitých z důvodu předčasného úmrtí v důsledku narušení životního prostředí.

Obr. 1 Dopad nové generace pick-and-place strojů na životní prostředí* (přepočteno na 00 000 komponentů za hodinu), vyjádřeno v eco-bodech.

Údaj o spotřebě energie dobře vyjadřuje celkovou kvalitu a účinnost stroje. Vysoký výkon stroje zlepšuje všechny ekologické ukazatele, protože dopady jeho činnosti se rozpustí do více osazených desek. Jednoduchý upgrade softwaru může zvýšit skutečný výkon osazovacího systému a může se stát, že místo dvou strojů bude stačit jen jeden. Oba faktory snižují dopady na životní prostředí.

Vyhodnocení osazení PS mobilního telefonu

Na obr. 2 je zobrazen dopad na životní prostředí různých úkonů při montáži desky. Jako příklad je použita typická montáž desky pro mobilní telefony se 1456 komponenty na sestavě čtyřech desek (364 komponentů na telefon). Rework práce jsou především plýtváním, které lze omezit modernizací pick-and-place strojů, například zavedením paralelního osazování.

Obr. 2 Dopad na životní prostředí různých úkonů při výrobě typické DPS mobilního telefonu.

Energetické štítky

Jestliže spotřeba energie hraje v dopadech na životní prostředí naprosto dominující úlohu, řešením jsou energetické štítky pro pick-and-place stroje. Systém energetických štítků může být jednoduchý: směrnice EuP navrhuje štítky se 6 až 9 třídami. Průměrná spotřeba energie všech dostupných výrobků má hodnotu 100. Pokud má některý výrobek spotřebu například 55 % nebo nižší, potom bude zařazen do třídy A (obr. 3).

Obr. 3 Navržený systém energetických štítků pro osazovací troje (převzato z existujícího systému ro chladničky/mrazničky).

Udržitelné budovy a snižování emisí

Dosažení nulové hodnoty. Společnost KONE si stanovila vědecky podložené cíle pro výrazné snížení emisí skleníkových plynů (GHG) a zavázala se, že do roku 2030 bude její provoz uhlíkově neutrální. Naším cílem je snížit do roku 2030 emise související s materiály našich výrobků a spotřebou energie po celou dobu životnosti o 40 % (v poměru k přijatým objednávkám) a zavázali jsme se snížit emise z vlastního provozu o 50 %. Modernizace výtahů může přinést až 70% úsporu energie, modernizace eskalátorů až 50%. Náš současný výtah bez strojovny je až o 90 % účinnější než naše výtahy z 90. let. KONE byla první společností vyrábějící výtahy a eskalátory, která získala certifikaci energetické účinnosti třídy A podle mezinárodní normy ISO 24745.

Tabulka: Příklady snižování emisí a spotřeby energie

tags: #zvýšení #výkonu #stroje #dopad #na #životní

Oblíbené příspěvky:

• Plánování ekologických pokusů
• Budoucnost klimatu a emisní scénáře
• Příležitost pro milovníky přírody
• Vše o ekologické dani
• Princip a implementace smlouvy o zpětném odběru a recyklaci odpadu z obalu v ČR