gyártórendszerek mechatronikája termelési folyamatok ii. gyrm-tf2.pdf · költségbecslési...
Post on 14-Sep-2019
3 Views
Preview:
TRANSCRIPT
Gyártórendszerek mechatronikájaGyártórendszerek mechatronikájaTermelési folyamatok II.Termelési folyamatok II.
Óbu
dai E
gyet
emB
ánki
Don
át G
épés
z és
Biz
tons
ágte
chni
kai M
érnö
ki K
arA
nyag
tudo
mán
yi é
s G
yárt
áste
chno
lógi
ai In
téze
t
Termelési folyamatok II.Termelési folyamatok II.06 Költségbecslés
Dr. Mikó Balázsmiko.balazs@bgk.uni-obuda.hu
miko.balazs@bgk.uni-obuda.hu 1
Bán
ki D
onát
Gép
ész
és B
izto
nság
tech
nika
i Mér
nöki
A
nyag
tudo
mán
yi é
s G
yárt
áste
chno
lógi
ai In
téze
t
Az idıAz idı-- és költségbecslés feladataés költségbecslés feladataMeghatározni a gyártás várható idıszükségletét és költség igényét.
?
miko.balazs@bgk.uni-obuda.hu 2
?
A költségbecslés szerepeA költségbecslés szerepe
• Önköltségszámítás árajánlat adáshoz
• Gyártási költségek kontrollálása
• Beszállítók árajánlatainak ellenırzése
• „Venni vagy gyártani” döntés támogatása
miko.balazs@bgk.uni-obuda.hu 3
• „Venni vagy gyártani” döntés támogatása
• Tervezési alternatívák értékelése
• Anyagszükséglet tervezés
• Gyártás ütemezés
A költségbecslés problémájaA költségbecslés problémája
Befektetett munka
Pontosság
miko.balazs@bgk.uni-obuda.hu 4
Pontosság
Probléma:• Nem ismerjük a gyártási folyamat részleteit.• Rövid idı áll rendelkezésre.
Költségbecslési módszerekKöltségbecslési módszerek
• Intuitív
• Analóg
• Parametrikus
miko.balazs@bgk.uni-obuda.hu 5
• Parametrikus
• Analitikus
• MI alapú
Intuitív módszerIntuitív módszer
Intuícióra, tapasztalatra épít
• Nagy gyakorlat szükséges• Részletesen ismerni kell a környezetet• Pontatlan lehet• Nem átlátható
miko.balazs@bgk.uni-obuda.hu 6
• Nem átlátható
Analóg módszerAnalóg módszerÖsszehasonlítás korábbi termékekkel
• Nagy adatbázis• Hatékony keresés szükséges• Statikus környezet• Adaptálás
miko.balazs@bgk.uni-obuda.hu 7
• Adaptálás
Parametrikus módszerParametrikus módszer
• Egyszerő függvénykapcsolat a néhány termék-paraméter és a költség között• Általában tömeg vagy befoglaló méret
• Egyszerő• Gyors
miko.balazs@bgk.uni-obuda.hu 8
• Gyors• Csak durva becslésre
Pl.: K=C0+C1*m+C2*m3
Analitikus módszerAnalitikus módszer
A feladat részletes dekomponálása, részszámítások összegzése
• Részletes gyártási koncepció• Az egyes elemek pontosabban becsülhetık
miko.balazs@bgk.uni-obuda.hu 9
• Pontos (± 5%)• Idıigényes
Költségbecslési módszerekKöltségbecslési módszerek
módszer elıny hátrány
intuitív - gyors- egyszerő alkalmazni
- szakember igényes- pontatlan- nem átlátható
analóg - figyelembe veszi a - idıigényes
�
miko.balazs@bgk.uni-obuda.hu 10
analóg - figyelembe veszi a konkrét környezetet
- idıigényes- nagy adatbázist igényel
parametrikus - egyszerő- gyors
- pontatlan- heurisztikus
analitikus - pontos - idıigényes- szakember igényes- túl részletes
�
LHB XXXest LHBCt ⋅⋅⋅=
( )∑ ⋅⋅⋅−=n
Xi
Xi
Xii
HBL HBLCtS2
0=∂∂C
S 0=∂∂
LX
S
=∂S =∂S
Legkisebb négyzetek módszere
MIN
Parametrikus gyártási idı becslés
miko.balazs@bgk.uni-obuda.hu 11
( )∑=
⋅⋅⋅−=i
iiii HBLCtS1 0=
∂∂
BX
S0=
∂∂
HX
S
( ) 0lnln21
2222 =⋅⋅⋅⋅+⋅⋅⋅⋅⋅−⋅=∂∂
∑=
⋅⋅⋅n
ii
Xi
Xi
Xii
Xi
Xi
Xii
L
LHBLCLHBLCtX
SHBLHBL
( ) 021
222 =⋅⋅⋅+⋅⋅⋅−⋅=∂∂
∑=
⋅⋅⋅n
i
Xi
Xi
Xi
Xi
Xi
Xii
HBLHBL HBLCHBLtC
S
( ) 0lnln21
2222 =⋅⋅⋅⋅+⋅⋅⋅⋅⋅−⋅=∂∂
∑=
⋅⋅⋅n
ii
Xi
Xi
Xii
Xi
Xi
Xii
B
BHBLCBHBLCtX
SHBLHBL
( ) 0lnln21
2222 =⋅⋅⋅⋅+⋅⋅⋅⋅⋅−⋅=∂∂
∑=
⋅⋅⋅n
ii
Xi
Xi
Xii
Xi
Xi
Xii
H
HHBLCHHBLCtX
SHBLHBL
MIN
RegresszióRegresszió
y
++ +
SS = Σ δi2
SS : Négyzetösszeg
y = f(x)
Mért vagy számolt adat
miko.balazs@bgk.uni-obuda.hu 12
x
++
+ + δi
SS : Négyzetösszeg
Cél: SS � MIN
y = C1+C2*x
C, B, H, L
C1, B, H, L
C2, B, H, L
C, B1, H, L
C, B, H1, L
C, B, H2, L
C, B, H, L1
C, B2, H, L
C1, B, H, L
C2, B, H, L
C, B1, H, L
C, B, H1, L
C, B, H2, L
C, B2, H, L
...
Numerikus keresı algoritmus
miko.balazs@bgk.uni-obuda.hu 13
C, B, H, L1
C, B, H, L2
C, B, H, L1
C, B, H, L2
j
tt
D jji
i
∑ −=
,
m
Random
⋅+=∆
100
)100(01.0Változás
Hiba
Zseb nagyoló marásaZseb nagyoló marása
miko.balazs@bgk.uni-obuda.hu 15
A – HosszB – SzélességH – MélységR - Rádiusz
AdatbázisAdatbázis2028 eset: A: 40, 50, 60, 80, 100, 150, 200, 250, B: 40, 50, 60, 80, 100, 150, 200, 250, 300, 400R: 4, 5, 6, 8, 10, 12,5H: 1, 3, 5, 10, 15, 20
.xls
miko.balazs@bgk.uni-obuda.hu 16
Szerszámút hosszaSzerszámút hossza
Ciklusszám egy szinten:
miko.balazs@bgk.uni-obuda.hu 17
DJJBAJL ⋅+⋅⋅−⋅+⋅⋅= )1(2)22(1
[ ] )1(2)),(max()),(max(22 −⋅⋅=⋅−−−⋅= JDDJBADBAL
−=D
DBAJ
),min(int
Ciklusszám egy szinten:
Szerszámút hossza:
Összekötı s fogásvételi mozgás hossza:
(D=2*R)
Fogás szám:
1int +
=
pa
HI
Megmunkálási idı:
ff v
LLI
v
Lt
)( 21 +⋅==
Megmunkálási idı
miko.balazs@bgk.uni-obuda.hu 18
ff
nzfv zf ⋅⋅=
π*
*1000
D
vn c=
Elıtolási sebesség
Fordulatszám
fv
JDDJJBAJIt
))1(2)1(2)22(( −⋅⋅+⋅+⋅⋅−⋅+⋅⋅⋅=
MiniTabMiniTab v14v14
Eredmény terület
miko.balazs@bgk.uni-obuda.hu 20
Copy + Paste Excel táblából
Diagrammok
Main effects plot Main effects plot –– Interaction plotInteraction plot
A
B
400
300
250
200
150
100
80605040 12,5
10,0
8,06,05,04,0 26201510531
16000
8000
0
16000
8000
0
16000
A
60
80
100150
200
250
40
50
B
60
80
100150
200
250300
400
40
50
R
Interaction Plot (data means) for t
10000A B
Main Effects Plot (data means) for t
miko.balazs@bgk.uni-obuda.hu 22
R
H
16000
8000
0
R
6,0
8,0
10,012,5
4,0
5,0
Me
an
of t
25020015010080605040
10000
7500
5000
2500
040030025020015010080605040
12,510,08,06,05,04,0
10000
7500
5000
2500
026201510531
R H
#1 regresszió #1 regresszió -- lineárislineáris
Me
an
of t
25020015010080605040
10000
7500
5000
2500
040030025020015010080605040
12,510,08,06,05,04,0
10000
7500
5000
2500
026201510531
A B
R H
Main Effects Plot (data means) for t
miko.balazs@bgk.uni-obuda.hu 23
TotalSS
ErrorSSR
_
_12 −=
)1/(_
)/(_1)(2
−−−=
nTotalSS
pnErrorSSadjR
SS – Sum of squares
95 felett kell lennie
RegressionRegression #3 #3 -- logarithmiclogarithmic
miko.balazs@bgk.uni-obuda.hu 25
250
200
150
10080605040
8
6
4
400
300
250
200
150
10080605040 12
,510
,08,06,05,04,0 26201510531
A B R H
Main Effects Plot (data means) for ln t
RegressionRegression #5 #5 –– log, cubiclog, cubic
miko.balazs@bgk.uni-obuda.hu 27
Ha a P-value 0.2 felett van, a paraméter elhagyható.
Results Results -- ConclusionsConclusions
miko.balazs@bgk.uni-obuda.hu 29
32
22
H0,000480 H0,0254 - H0,465
R0,299 - B0,000013 - B0,0113 A0,000066 -A 0,0294 3,33 ln t
⋅+⋅⋅+⋅⋅⋅+⋅⋅+=
3222 H0,000480 H0,0254 - H0,465 R0,299 - B0,000013 - B0,0113 A0,000066 -A 0,0294 3,33e t ⋅+⋅⋅+⋅⋅⋅+⋅⋅+=
Mesterséges intelligencia Mesterséges intelligencia módszerekmódszerek
• Szabály-alapú becslés• Eset-alapú becslés• Neurális háló-alapú becslés
miko.balazs@bgk.uni-obuda.hu 30
SzabálySzabály--alapú költségbecslésalapú költségbecslésAlkatrész modell
Mőveletelemek1. 2. 3.
§
miko.balazs@bgk.uni-obuda.hu 31
Elızési mátrix Mátrix elimináció Becsült adatok
§
Heurisztikus képletek
EsetEset--alapú költségbecslésalapú költségbecslés
Alkatrész modell
Hasonlóság megállapítása
+
miko.balazs@bgk.uni-obuda.hu 32
Paraméterlista
Eset bázis
Becsült adatok
Keresés
Hasonlóság megállapításaVálasztásAdaptálás
top related