Gyártórendszerek mechatronikája Termelési folyamatok II. GYRM-TF2.pdf · Költségbecslési módszerek módszer el ıny hátrány intuitív - gyors - egyszerő alkalmazni - szakember

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 Balá[email protected]

[email protected] 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.

?

[email protected] 2

?

A költségbecslés szerepeA költségbecslés szerepe

• Önköltségszámítás árajánlat adáshoz

• Gyártási költségek kontrollálása

• Beszállítók árajánlatainak ellenırzése

• „Venni vagy gyártani” döntés támogatása

[email protected] 3

• „Venni vagy gyártani” döntés támogatása

• Tervezési alternatívák értékelése

• Anyagszükséglet tervezés

• Gyártás ütemezés

A költségbecslés problémájaA költségbecslés problémája

Befektetett munka

Pontosság

[email protected] 4

Pontosság

Probléma:• Nem ismerjük a gyártási folyamat részleteit.• Rövid idı áll rendelkezésre.

Költségbecslési módszerekKöltségbecslési módszerek

• Intuitív

• Analóg

• Parametrikus

[email protected] 5

• Parametrikus

• Analitikus

• MI alapú

Intuitív módszerIntuitív módszer

Intuícióra, tapasztalatra épít

• Nagy gyakorlat szükséges• Részletesen ismerni kell a környezetet• Pontatlan lehet• Nem átlátható

[email protected] 6

• Nem átlátható

Analóg módszerAnalóg módszerÖsszehasonlítás korábbi termékekkel

• Nagy adatbázis• Hatékony keresés szükséges• Statikus környezet• Adaptálás

[email protected] 7

• Adaptálás

Parametrikus módszerParametrikus módszer

• Egyszerő függvénykapcsolat a néhány termék-paraméter és a költség között• Általában tömeg vagy befoglaló méret

• Egyszerő• Gyors

[email protected] 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

[email protected] 9

• Pontos (± 5%)• Idıigényes

Költségbecslési módszerekKöltségbecslési módszerek

módszer elıny hátrány

intuitív - gyors- egyszerő alkalmazni

- szakember igényes- pontatlan- nem átlátható

analóg - figyelembe veszi a - idıigényes

�

[email protected] 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

[email protected] 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

[email protected] 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

[email protected] 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

Eredmények

[email protected] 14

Zseb nagyoló marásaZseb nagyoló marása

[email protected] 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

[email protected] 16

Szerszámút hosszaSzerszámút hossza

Ciklusszám egy szinten:

[email protected] 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

[email protected] 18

ff

nzfv zf ⋅⋅=

π*

*1000

D

vn c=

Elıtolási sebesség

Fordulatszám

fv

JDDJJBAJIt

))1(2)1(2)22(( −⋅⋅+⋅+⋅⋅−⋅+⋅⋅⋅=

SzerszámSzerszám

[email protected] 19

MiniTabMiniTab v14v14

Eredmény terület

[email protected] 20

Copy + Paste Excel táblából

Diagrammok

MiniTabMiniTab v14v14

[email protected] 21

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

[email protected] 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

[email protected] 23

TotalSS

ErrorSSR

_

_12 −=

)1/(_

)/(_1)(2

−−−=

nTotalSS

pnErrorSSadjR

SS – Sum of squares

95 felett kell lennie

#2 regresszió #2 regresszió –– négyzetes tagokkalnégyzetes tagokkal

[email protected] 24

RegressionRegression #3 #3 -- logarithmiclogarithmic

[email protected] 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 #4 #4 –– log, quadraticlog, quadratic

[email protected] 26

RegressionRegression #5 #5 –– log, cubiclog, cubic

[email protected] 27

Ha a P-value 0.2 felett van, a paraméter elhagyható.

Regression #6 Regression #6 –– log, modifiedlog, modified

[email protected] 28

Results Results -- ConclusionsConclusions

[email protected] 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

[email protected] 30

SzabálySzabály--alapú költségbecslésalapú költségbecslésAlkatrész modell

Mőveletelemek1. 2. 3.

§

[email protected] 31

Elızési mátrix Mátrix elimináció Becsült adatok

§

Heurisztikus képletek

EsetEset--alapú költségbecslésalapú költségbecslés

Alkatrész modell

Hasonlóság megállapítása

+

[email protected] 32

Paraméterlista

Eset bázis

Becsült adatok

Keresés

Hasonlóság megállapításaVálasztásAdaptálás

ANNANN--alapúalapú költségbecslésköltségbecslés

Alkatrészmodell

Paraméter lista Tanítási minta

[email protected] 33

ANN

Becsült adatok

Σ f(S)S

W1

W2

W3