Lilianna WAŻNA, Paweł KUŻDOWICZ Zastosowanie modelowania i
Transkrypt
Lilianna WAŻNA, Paweł KUŻDOWICZ Zastosowanie modelowania i
Lilianna WAĩNA Paweá KUĩDOWICZ Uniwersytet Zielonogórski ZASTOSOWANIE MODELOWANIA I WNIOSKOWANIA ROZMYTEGO DO OCENY EFEKTYWNOĝCI WDROĩENIA SYSTEMU ERP APS W ĝREDNIM PRZEDSIĉBIORSTWIE PRODUKCYJNYM 1. WstĊp Systemy APS (Advanced Planning and Scheduling – Zaawansowane planowanie i harmonogramowanie) stanowią nową generacjĊ systemów o znacznie udoskonalonej funkcji planowania i sterowania zasobami przedsiĊbiorstwa w obszarze produkcji i logistyki niĪ konwencjonalne systemy klasy ERP (Enterprise Resource Planning – Planowanie zasobów przedsiĊbiorstwa) [4-5]. Oferowane na rynku oprogramowania moduáy APS w postaci rozwiązaĔ zintegrowanych w ramach systemu ERP (ERP APS), wykorzystując dane z ERP, umoĪliwiają optymalizacjĊ produkcji i procesów logistycznych, symulacje oraz planowanie i harmonogramowanie w czasie rzeczywistym. SáuĪą planowaniu i wsparciu procesów decyzyjnych oraz realizacji ekonomicznych celów przedsiĊbiorstwa [2, 4-6, 9]. ZauwaĪa siĊ, Īe producenci oferujący tego typu rozwiązania dla Ğrednich przedsiĊbiorstw produkcyjnych poszukują metod, które pozwolą oceniü efektywnoĞü planowanego wdroĪenia oferowanego przez nich narzĊdzia. PoniewaĪ proces wdroĪenia systemu ERP APS jest inwestycją informatyczną o duĪym stopniu záoĪonoĞci, dáugotrwaáą, kosztowną, wymagającą wielu przygotowaĔ przedsiĊbiorstwa i dobrej organizacji prac, bez których staje siĊ przedsiĊwziĊciem wysoce ryzykownym [1, 3, 5, 7], przeprowadzenie wdroĪenia w przedsiĊbiorstwie niedostatecznie do tego przygotowanym grozi nawet upadkiem firmy. Wymusza to potrzebĊ opracowania takiej metody oceny efektywnoĞci planowanego przedsiĊwziĊcia wdroĪeniowego, która uwzglĊdni aktualny stan przygotowania przedsiĊbiorstwa do wdroĪenia z istniejącymi ograniczeniami wdroĪeniowymi i informacjami, jakie przygotowania przedsiĊbiorstwo ma juĪ za sobą, a jakie musi jeszcze poczyniü i ile czasu na to potrzebuje. Proponowane w pracy podejĞcie dotyczy opracowania metody umoĪliwiającej rozwiązanie nastĊpującego problemu decyzyjnego. Dane jest przedsiĊbiorstwo produkcyjne Ğredniej wielkoĞci o znanych wskaĨnikach iloĞciowych i jakoĞciowych oraz znanym stanie przygotowaĔ do wdroĪenia zintegrowanego 150 Lilianna WaĪna, Paweá KuĪdowicz systemu informatycznego. Dany jest system informatyczny klasy ERP APS o znanych moĪliwoĞciach funkcjonalnych i wymaganiach technicznych. Poszukiwana jest odpowiedĨ na pytanie: Czy przygotowanie danego przedsiĊbiorstwa do wdroĪenia, realizacja wdroĪenia i eksploatacja danego systemu informatycznego, pozwoli osiągnąü wybrane wskaĨniki przedsiĊbiorstwa w zadanym terminie i budĪecie, przy znanych ograniczeniach wdroĪeniowych? Celem prezentowanej pracy jest przedstawienie modelu opisanej sytuacji decyzyjnej oraz elementu procedury oceny efektywnoĞci planowanego przedsiĊwziĊcia wdroĪeniowego, jaki stanowi koncepcja prognozowania wartoĞci wybranych wskaĨników przedsiĊbiorstwa z wdroĪenia systemu ERP APS, na podstawie zrealizowanych wdroĪeĔ, z wykorzystaniem modelowania i wnioskowania rozmytego. 2. Model decyzyjny oceny efektywnoĞci wdroĪenia systemu ERP APS Dla rozwaĪanej sytuacji decyzyjnej utworzony zostaá model zaprezentowany na rysunku 1, w którym sposób wdroĪenia, poprzez okreĞlenie czynnoĞci związanych z planowanym przedsiĊwziĊciem wdroĪeniowym wraz z ich wzajemnym nastĊpstwem, definiowany jest wraz z systemem. WyodrĊbnione zostaáy czynnoĞci przygotowawcze do wdroĪenia oraz pozostaáe czynnoĞci wdroĪeniowe. Przykáadowymi czynnoĞciami przygotowawczymi są: przygotowanie danych i sprawdzenie ich jakoĞci, przygotowanie zmian organizacyjnych w przedsiĊbiorstwie, kadry oraz infrastruktury technicznej Ğrodowiska testowo-rozwojowego, sprzĊtowo-programowego i teleinformatycznego. Rys.1. Model decyzyjny oceny efektywnoĞci wdroĪenia systemu ERP APS 151 Zastosowanie modelowania i wnioskowania rozmytego do oceny… 3. Koncepcja prognozowania wskaĨników przedsiĊbiorstwa z wdroĪenia systemu ERP APS, z wykorzystaniem modelowania i wnioskowania rozmytego Dysponując danymi dotyczącymi opisu stanu przygotowania przedsiĊbiorstwa do wdroĪenia i jego wskaĨników w chwili T_0 oraz planowanego stanu przygotowania i wdroĪenia w kolejnych okresach (jak pokazano w tabeli 1), poszukiwana jest prognoza wskaĨników przedsiĊbiorstwa w tych okresach. Tabela 1. Dane opisujące stan przedsiĊbiorstwa Okres czasu T_0 Przygotowanie danych Obieg dokumentów Zakup serwera … IloĞü zleceĔ zreal. w terminie Wykorzystane zdolnoĞci Liczba nadgodzin … Aktualny i planowany stan przygotowania i wdroĪenia WskaĨniki przedsiĊbiorstwa T_1 T_2 T_3 Sp1_0 Sp1_1 Sp1_2 Sp1_3 Sp2_0 Sp3_0 Sp2_1 Sp3_1 Sp2_2 Sp3_2 Sp2_3 Sp3_3 W1_0 W1_1=? W1_2=? W1_3=? W2_0 W2_1=? W2_2=? W2_3=? W3_0 W3_1=? W3_2=? W3_3=? Do sporządzenia poszukiwanej prognozy proponuje siĊ wykorzystanie danych tego rodzaju z wdroĪeĔ danego systemu w przedsiĊbiorstwach tej samej klasy, na podstawie których dokonuje siĊ ustalenia istniejących reguá pomiĊdzy danymi z okresu poprzedniego i nastĊpnego, stanowiących podstawĊ dla przeprowadzenia wnioskowania rozmytego. Przykáadowe dane, na podstawie których poszukiwana jest prognoza wskaĨników W1 i W2, zamieszczono w tabeli 2. Dane te po przygotowaniu dla ustalania reguá modelowanego systemu (o wejĞciach x i wyjĞciach y) przedstawiono w tabeli 3. PoniĪej zaprezentowano istotĊ proponowanej procedury postĊpowania. Tabela 2. Przykáadowe dane z wdroĪeĔ systemu ERP APS PrzedsiĊbiorstwo A T Sp1 W1 W2 W3 T1 1 0 3 2 1 T2 2 1 4 1 2 T3 3 1 9 1 1 T4 4 1 19 1,5 3 T5 5 1 36 3 2 PrzedsiĊbiorstwo B T6 6 1 62 7,5 3 T1 1 0 1 8 3 T2 2 1 2 4 4 T3 3 1 7 4 4 T4 4 1 17 6 5 T5 5 1 34 12 5 T6 6 1 60 30 2 152 Lilianna WaĪna, Paweá KuĪdowicz 3.1. Filtracja próbek pomiarowych metodą wykresów Ğredniej rozmytej Etap filtracji próbek pomiarowych wejĞcia/wyjĞcia modelowanego systemu polega na okreĞleniu istotnych wejĞü modelu za pomocą metody wykresów Ğredniej rozmytej opracowanej przez Lin i Cunninghama [8]. Po przeprowadzonej, zaproponowaną metodą, filtracji dla przykáadowych danych pomiarowych z tabeli 3 otrzymano wyniki zamieszczone w tabeli 4, z których wynika, Īe najistotniejszymi wejĞciami dla modelowania są: x1, x3 i x4. Tabela 3. Dane pomiarowe przygotowane dla modelowania PrzedsiĊbiorstwo A x1 x2 x3 x4 x5 y1 y2 T1 1 0 3 2 1 4 1 T2 2 1 4 1 2 9 1 T3 3 1 9 1 1 19 1,5 T4 4 1 19 1,5 3 36 3 PrzedsiĊbiorstwo B T5 5 1 36 3 2 62 7,5 T6 6 1 62 7,5 3 1 8 T1 1 0 1 8 3 2 4 T2 2 1 2 4 4 7 4 T3 3 1 7 4 4 17 6 T4 4 1 17 6 5 34 12 T5 5 1 34 12 5 60 30 T6 6 1 60 30 2 Tabela 4. Wyniki filtracji metodą wykresów Ğredniej rozmytej dla danych z tabeli 3 Wyniki deltay1Ğr deltay2Ğr x1 58 16,25 x2 27,5 5,62 x3 60 29 x4 60 29 x5 35,5 19,75 3.2. Samoorganizacja i strojenie parametrów modelu rozmytego geometryczną metodą punktów maksymalnego báĊdu bezwzglĊdnego Proponowana metoda samoorganizacji i strojenia modeli rozmytych naleĪy do grupy metod „waĪnych” punktów powierzchni i sáuĪy okreĞlaniu, na podstawie danych pomiarowych, najwaĪniejszych elementów struktury modelu rozmytego, jakimi są: baza reguá i liczba zbiorów rozmytych przyporządkowanych do poszczególnych wejĞü i wyjĞü modelu. PoniewaĪ liczba reguá i parametry funkcji przynaleĪnoĞci zaleĪą od odwzorowania wejĞcia/wyjĞcie realizowanego przez modelowany obiekt, nie mogą byü okreĞlane z góry niezaleĪnie od obiektu (por. [8]). PoniĪej przedstawiona zostaáa skrótowa wersja algorytmu modelowania metodą punktów maksymalnego báĊdu (por. [8]) oraz wyniki jego dziaáania dla przykáadowych danych pomiarowych z tabeli 5. Zastosowanie modelowania i wnioskowania rozmytego do oceny… 153 Tabela 5. Przykáadowe dane pomiarowe rzeczywistego systemu y1=x12 x1 y1 -2 4 -1 1 0 0 1 1 2 4 -1,2 1,44 0,8 0,64 1,9 3,61 1,8 3,24 A) OkreĞlenie hiperczworoĞciennego modelu bazowego M0 metodą wyjĞcia poza przestrzeĔ rozwaĪaĔ. W przypadku jednego wejĞcia wystarczy umieĞciü reguáy w punktach pomiarowych o minimalnej i maksymalnej wartoĞci wejĞcia, czyli dla rozwaĪanego przykáadu punkty P1=(-2,4) P2=(2,4). Punkty te okreĞlają jednoczeĞnie parametry a1, a2, b1, b2 funkcji przynaleĪnoĞci pokazanych na rysunku 2a),b). Rys. 2. Funkcje przynaleĪnoĞci modelu rozmytego B) Dostrojenie modelu bazowego na podstawie próbek pomiarowych za pomocą rozmytej sieci neuronowej. W trakcie nauczania sieci neuronowej reprezentującej okreĞlony model bazowy strojeniu podlegają parametry b1, b2 wedáug zasady wstecznej propagacji báĊdu i metod gradientowych. Po dostrojeniu b1 = 1,5, b2 = 2,6. C) OkreĞlenie báĊdu modelu bazowego E0. W przypadku wystarczającej dokáadnoĞci zakoĔczenie modelowania, w przeciwnym razie kontynuacja modelowania (etap D). Báąd modelu bazowego E0 pokazano na rysunku 3. ĝredni bezwzglĊdny báąd modelu M0 po dostrojeniu wynosi 1,299, a bez dostrojenia 1,897 – model M0_B. 154 Lilianna WaĪna, Paweá KuĪdowicz DokáadnoĞü modelu M0 po dostrojeniu 5 4 3 2 y1 1 y1 z M0 E0 0 -4 -2 -1 0 2 4 -2 -3 DokáadnoĞü modelu M0 bez dostrojenia (M0_B) -4 -2 5 4 3 2 1 0 -1 0 -2 -3 -4 -5 y1 y1 z M0_B 2 4 E0 Rys. 3. DokáadnoĞü modelu M0 D) Umieszczenie 2 reguá w punktach ekstremum báĊdu modelu bazowego E0 – model báĊdu E0M. Dla modelu M0: P3 = (-2; 2,5) i P4 = (0; -2,05), a dla modelu M0_B: P5 = (0, -4). E) Dostrojenie parametrów funkcji przynaleĪnoĞci modelu báĊdu E0M na bazie próbek báĊdu modelu bazowego E0. Báąd modelowany jest funkcjami przynaleĪnoĞci z rysunku 2c), o m1 = -2 b1e = 2,5, m2 = 0, b2e = -2,05 (M0) i m3 = 0, b3e = -4 (M0_B). Dostrojone parametry to: d1 = 0,64, l1 = 2,8, d2 = 1,15, l2 = 3,8 oraz d3 = 1,49, l3 = 3,4. F) Utworzenie modelu M1 (suma M0 i E0M). W przypadku wystarczającej dokáadnoĞci zakoĔczenie modelowania, w przeciwnym razie okreĞlenie residuum báĊdu E1 i kontynuacja modelowania aĪ do osiągniĊcia zadowalającej dokáadnoĞci. Báąd Ğredni bezwzglĊdny M1: 0,41, M1_B: 0,13. Modelowanie kontynuowano jeszcze dwukrotnie uzyskując Ğredni báąd bezwzglĊdny 0,029 (M) oraz 0,032 (M_B). 3.3. Wnioskowanie rozmyte W celu uzyskania prognozowanych wartoĞci y1 na podstawie danych wielkoĞci x1 wykorzystano ustalony model M oraz M_B. Wyniki dla przykáadowo wybranych wielkoĞci x1 z przedziaáu [-2, 2] pokazano na rysunku 4. Zastosowanie modelowania i wnioskowania rozmytego do oceny… 155 Wyniki wnioskowania rozmytego 4,5 4 3,5 3 2,5 y1 2 y1 z M 1,5 y1 z M_B 1 0,5 -3 -2 -1 0 -0,5 0 1 2 3 Rys. 4. Wyniki wnioskowania rozmytego za pomocą modeli M i M_B 4. Podsumowanie Przedstawiona w pracy koncepcja wskazuje moĪliwoĞü wykorzystania modelowania i wnioskowania rozmytego do oceny efektywnoĞci planowanego przedsiĊwziĊcia wdroĪeniowego, w zakresie prognozowania wybranych wskaĨników, z uwzglĊdnieniem istniejącego stanu przygotowaĔ przedsiĊbiorstwa do wdroĪenia systemu ERP APS. Proponowana procedura jest przedmiotem dalszych badaĔ. Bibliografia: 1. Adamczewski P.: Zintegrowane systemy informatyczne w praktyce, Wyd. MIKOM, Warszawa 2000. 2. Gunther H. O., Tempelmeier H.: Produktion und Logistik (5. Aufl.) Berlin: Springer, 2003. 3. Grudzewski W. M., Hejduk I. K., Metody projektowania systemów zarządzania, Wyd. Difin, Warszawa 2004. 4. Kluge P. D., KuĪdowicz P., Andracki S.: Multi-resource-planning and realtime-optimization based on proALPHA® APS solution, [w:] Automation 2005: Automatyzacja – nowoĞci i perspektywy: konferencja naukowo-techniczna. Warszawa 2005. 5. Kluge P.D., KuĪdowicz P., Orzeszko P.: Controlling wspomagany komputerowo z wykorzystaniem systemu ERP, Oficyna Wydawnicza Uniwersytetu Zielonogórskiego, Zielona Góra 2005, s. 92-104. 6. Maciejec L.: ERP – nowe oblicze, CIO Magazyn dyrektorów IT, 1/2005, (http://cio.cxo.pl/artykuly/46129.html). 7. Patalas J., Banaszak Z.: WdraĪanie systemów klasy ERP w MSP. Model procesu decyzyjnego, [w:] Koncepcje zarządzania systemami wytwórczymi (red. M. Fertsch, S. TrzcieliĔski), Politechnika PoznaĔska, PoznaĔ 2005 (Monografia), s. 73-79. 156 Lilianna WaĪna, Paweá KuĪdowicz 8. Piegat A.: Modelowanie i sterowanie rozmyte, Akademicka Oficyna EXIT, Warszawa 1999, s. 368-402. 9. Rutkowski K. (red.): Logistyka on-line. Zarządzanie áaĔcuchem dostaw w dobie gospodarki elektronicznej, 2000.