, Jo`e Kropiv{ek, Leon Oblak Suvremeno upravljanje

Tomislav Grladinovi}1, Joè Kropiv{ek, Leon Oblak2

Suvremeno upravljanjeproizvodnjom iposlovanjem u preradi drvai proizvodnji namje{tajaModern production and businessmanagement in wood processing andfurniture manufacture

Pregledni rad • Review paperPrispjelo – received: 2. 3. 2007.Prihva}eno – accepted: 12. 6. 2007.UDK: 684.4; 658.5.012.4:004.8

SA@ETAK • Razvoj suvremenih tehnologija i uvo|enje visokog stupnja automatizacije proizvodne opreme, od nu-meri~ki upravljanih strojeva preko obradnih centara do fleksibilnih tehnolo{kih linija, s ve} realiziranim rje{enji-ma automatiziranih tvornica, pridonio je porastu zna~enja funkcije upravljanja proizvodnjom. S obzirom na to dase dio dosada{njih, isklju~ivo proizvodnih funkcija (davanje naloga za po~etak rada, provjera mjere i odabir po~et-nih prametara, uklju~ivanje i izbor glavnih i pomo}nih zahvata, a time i reìma obrade i sl.) prenosi i rje{ava u fun-kciji upravljanja proizvodnjom i poslovanjem, sve je ve}e zna~enje upravljanja proizvodnjom i njezin utjecaj nadjelotvornost proizvodnje i poslovanja tvrtke za preradu drva i proizvodnju namje{taja. Sve to poti~e na nov pristupu upravljanju proizvodnjom i poslovanjem s drvom: sustavni pristup, sustavna potpora odlu~ivanju, ekspertni su-stavi, heuristika, neuralne mreè, logisti~ko progmiranje, modeliranje za u~enje, simuliranje, teorija kaosa te in-formacijski sustavi podràni softverskim paketima za pove}anje djelotvornosti pojedinih funkcija ra~unalomintegrirane proizvodnje. Upotrebljivi zajedni~ki imenitelj je umjetna inteligencija. Koncepcijama je zajedni~ko dase na temelju sposobnosti razumijevanja, zaklju~ivanja, u~enja, primjene znanja i informacijskih tehnologija,opaànja i prepoznavanja doga|aja i objekata mogu koristiti u smislu savjetodavne inteligentne potpore procesimaodlu~ivanja i upravljanja. Te se koncepcije me|usobno dopunjuju i ~ine op}u logisti~ku koncepciju, koja u preradidrva i proizvodnji namje{taja moè poprimiti razli~ite oblike, od tzv. smisao-znanje tehnologije do informacijsketehnologije, bez obzira na to o kakvoj je koncepciji rije~. Ona mora davati suvisle odgovore te rje{avati situacije uopsegu u kojemu smo je opskrbili znanjem o proizvodnji i poslovanju tvrtke za preradu drva i proizvodnju nam-je{taja. Takvo savjetodavno svojstvo prikazanih koncepcija ~vrst je oslonac u okolini koja zbunjuje.

Klju~ne rije~i: prerada drva i proizvodnja namje{taja, umjetna inteligencija, ekspertni sustavi, sustavi za potporuodlu~ivanju, inteligentni proizvodni sustavi

ABSTRACT • The development of modern technologies with high-tech automated equipment, such as numericallycontrolled machines, processing centres, or flexible technological lines, with already realised solutions of automa-ted factories, has contributed to increased significance of the production management function. Considering that

DRVNA INDUSTRIJA 58 (2) 77-87 (2007) 77

.....Grladinovi}, Kropiv{ek, Oblak: Suvremeno upravljanje proizvodnjom i poslovanjem...

1 Autor je izvanredni profesor [umarskog fakulteta Sveu~ili{ta u Zagrebu, Hrvatska. 2Autori su docenti Biotehni~kog fakulteta Sveu~ili{ta uLjubljani, Slovenija.

1 The author is associate professor at the Faculty of Forestry, University of Zagreb, Croatia. 2The authors are assistant professors at the Biotechni-cal Faculty, University of Ljubljana, Slovenia.

one part of the present exclusively production functions (issuing work orders; measurement checking and choice ofinitial parameters; introduction and choice of main and subordinate operations; processing regime, etc.) is beingtransferred and solved in the function of production and business management, the significance of production ma-nagement and its impact upon the effectiveness of wood processing and furniture manufacturing firms is on con-stant increase. Thus, a new approach to the production and business management in wood processing will beinitiated by applying the following: system approach; system decision support; expert systems; heuristics; neuralnetworks; logistic programming; modelling for learning; simulation; theory of chaos, and information systemssupported by software packages for efficiency increase of individual functions of computer-aided integrated pro-duction. The applicable common nominator is artificial intelligence. Various concepts have a common feature: ba-sed on the capability of understanding, making conclusions, learning, application of knowledge and informationtechnologies, observation and recognition of events and objects, different concepts can be used as intelligent sup-port to the processes of decision making and management. These concepts are interactive, forming a general logi-stic concept, which can adopt different forms in wood processing and furniture manufacture. It must be capable ofgiving reasonable answers, and solving issues in accordance with the degree of knowledge we have supplied it.Such advisory property of the presented concepts is a firm support in a perplexed environment.

Key words: wood processing and furniture manufacture, decision support systems, intelligence production system,expert systems, artificial intelligence

... mi poznajemo podatke, ne realnost. Zato se moramo baviti ’svijetom’ poda-taka. Moramo prou~iti obilje`ja tog svijeta prije no {to budemo mogli pravilnorazumjeti njegove zakone i projektirati informacijske sustave koji }e ihodraàvati. Ima li prostor podataka inherentnu (vlastitu) organizaciju ili jesamo podloàn organizaciji prema na{em htijenju (izboru)? Koja je dimenzio-nalnost prostora podataka? Moè li prostor podataka biti samoorganiziraju}i?Koji se tipovi procesa odvijaju u prostoru podataka?...R. R. Korfhage i sur. Data Physics –An Unortodox View of Data andits Implications in Data Processors,Syracuse University, kolovoz 1978.

1. UVOD1 INTRODUCTION

ôvjekove su sposobnosti percepcije i reagiranjana doga|aje ograni~ene. Potrebno mu je ra~unalo koje}e nadzirati i voditi procese te upravljati njima. Nuànmu je i robot koji }e umjesto njega obavljati opasne ineugodne poslove, kao i poslove koji zahtijevaju pre-ciznost, ponavljanje i kvalitetu. Razvoj elektronike do-nosi automatizaciju proizvodnje, koja prvi put omo-gu}uje postizanje planirane koli~ine proizvoda.

Proizvodnju je potrebno dobro i kvalitetno pripre-miti, ali i precizno planirati kako bi se svi poslovi obavilinavrijeme, uz optimalni utro{ak svih proizvodnih resur-sa: materijala, rada, novca, informacija, instrumentarija ienergije. Konkurencija proizvo|a~a sve je ja~a i automa-tizacija prerasta u automaciju. Nije vi{e dovoljno samoraditi i planirati, nego to treba ~initi na mudar na~in.

Me|utim, iako su se uvjeti odvijanja proizvodnjeumnogome pobolj{ali i humanizirali, a sam rad vi{enije tako opasna i prljava aktivnost (kao nekad), ~ovjeknije zadovoljan. Znanost, istraìvanje, umjetnost, {port,putovanja, zabava i ostale razonode ~ine se primjereni-ma ~ovjeku.

Prvi put ~ovjek ima takav tehni~ko-tehnolo{ki in-strumentarij uz pomo} kojega mu se ~ini mogu}imostvariti svoje zamisli. Po uzoru na nj izgra|uje sustavekoji se neupu}enome promatra~u ~ine inteligentnima,

koji djeluju ba{ onako kako bi djelovao taj promatra~ uistoj toj situaciji ({to bi radio, kako bi razmi{ljao).

Roboti zaobilaze prepreke, obavljaju izbor dijelo-va koje treba postaviti na stroj ili prenijeti na odre|enomjesto, odlu~uju kojim redoslijedom obavljati niz za-danih poslova i jo{ mnogo toga {to su do ju~er radili lju-di. Fleksibilni proizvodni sustavi autonomno odlu~ujuo tome {to, koliko, kada i kako proizvoditi. Osim teh-ni~ko-tehnolo{kih preduvjeta, za takvo {to potrebno jekoncipirati, osmisliti, teorijski razraditi, ispitati i prov-jeriti logi~ke, matemati~ke i fizi~ke modele i metode.Svi ti modeli i metode, a posebno matemati~ki i logi~ki,koji se izravno ili neizravno primjenjuju u proizvodnji,potje~u od operacijskih istraìvanja koja povezujustru~njake tehni~kih, prirodnih i dru{tvenih znanosti.Samo je na takav cjelovit i sveobuhvatan na~in mogu}enajbolje rije{iti postavljeni zadatak (Beni}, 1995).

2. DOSADA[NJE SPOZNAJE2 PREVIOUS KNOWLEDGE

2.1. Umjetna inteligencija2.1 Artificial Intelligence

Kao i sami korijeni tzv. tre}e industrijske revolu-cije, operacijska su istraìvanja izravna posljedica Dru-goga svjetskog rata. Tijekom vremena neka su se po-dru~ja teorije i primjene, koja su u po~etku bila unutaroperacijskih istraìvanja, osamostalila i razvila kao za-

78 DRVNA INDUSTRIJA 58 (2) 77-87 (2007)

Grladinovi}, Kropiv{ek, Oblak: Suvremeno upravljanje proizvodnjom i poslovanjem... .....

sebna i ravnopravna. Danas se za neka od njih upotreb-ljava zajedni~ki imenitelj umjetna inteligencija (artifi-cial intelligence). Brojne su definicije koje na manje ilivi{e precizan na~in pojmovno obja{njavaju {to je um-jetna inteligencija. U ovim }emo se razmatranjimaosloniti na jednu, koja je, ~ini se, najprakti~nija zaprimjene {to ih u ovom tekstu razmatramo (***, 1990).

Umjetna je inteligencija proces prou~avanja idejakoje ra~unalima omogu}uju inteligenciju.

Me|utim, postavlja se pitanje {to je inteligencija.ôvjeku se, kada se spomene taj pojam, naj~e{}e jav-ljaju razli~ite asocijacije, kao {to su:• sposobnost razumijevanja i zaklju~ivanja• sposobnost u~enja i primjene znanja• sposobnost opaànja i prepoznavanja fizi~kih obje-

kata.Sigurno je da sve te sposobnosti ~ine ono {to se

obi~no razumijeva pod pojmom inteligencije, no ipaksama definicija inteligencije, u uobi~ajenom smisluzna~enja tog pojma, ostaje nedore~ena. Inteligencija jeujedno i sposobnost primanja, obrade, prikazivanja iuporabe informacija, a to je sposobnost ugra|ena umnoge ra~unalne programe namijenjene specifi~nimprimjenama. Bez obzira na sve to, osnovni ciljevi prim-jene umjetne inteligencije jesu:• u~initi ra~unala korisnijima pri obavljanju zadanih

poslova• razumjeti temeljna na~ela koja ~ine inteligenciju.

To pak treba pridonijeti u~inkovitijem rje{avanjuproblema. U svemu onome {to se danas razumijeva podpojmom umjetne inteligencije zamjetne su neke, isklju-~ivo op}eljudske osobine, koje moraju biti standardniatributi sustava {to “posjeduju” inteligenciju (***,1990). To su:1. jezik razumijevanja (komunikacije); sustav tim je-

zikom moè komunicirati s okolinom, naj~e{}e s~ovjekom,

2. kreiranje opisa novih situacija; sustav moè defini-rati nove pojmove i relacijske odnose me|u njima, ito me|usobno i u odnosu prema postoje}im pojmo-vima,

3. prikupljanje i izbor informacija; sustav mora bitisposoban kontinuirano prikupljati informacije, ana-lizirati ih i izabrati bitne me|u njima,

4. kreiranje modela za zadanu okolinu; na osnovi poz-natih i/ili zadanih podataka sustav kreira model(kvantitativni, kvalitativni) za danu okolinu,

5. simboli~ko razumijevanje i zaklju~ivanje; s obzi-rom na to da se podaci jednom takvom sustavu za-daju na simboli~ki na~in, sustav ih mora mo}i ra-zumjeti i iz njih izvesti svrhovite i realne zaklju~ke,

6. interpretacija dobivenih rezultata; sustav mora znatiautonomno interpretirati i objasniti dobivene rezul-tate - simbole vlastitog zaklju~ivanja na ~ovjeku ja-san i blizak na~in,

7. rje{avanje problema i bez uporabe numeri~kih algo-ritama; poèljno je tu funkciju (ako je ikako mo-gu}e) ugraditi u sustav,

8. u~enje; sustav akumulira nove ~injenice radi razvo-ja znanja,

9. manipulacije velikom koli~inom podataka; brzo idjelotvorno pretraìvanje dinami~ke baze znanja(baza znanja ~iji opseg podataka s vremenom raste),

10. planiranje i priprema akcija za postizanje cilja; zaneki unaprijed zadani cilj, na osnovi postoje}egznanja i stanja, sustav treba mo}i i znati autonomnopripremiti i isplanirati sve akcije potrebne za njego-vo ostvarenje,

11. manipulacija ambicioznim i/ili nesigurnim zna-njem; sustav mora mo}i raditi s podacima koji ima-ju deterministi~ki ili stohasti~ki karakter.

Sve navedene sposobnosti omogu}it }e sustavuda autonomno djeluje i da se prividno pona{a kao inteli-gentni sustav. Tih jedanaest na~ela u dana{njim su uv-jetima prili~no visoko postavljeni zahtjevi za ne{to {to}e se proglasiti inteligentnim autonomnim sustavom.Objektivno razmatraju}i te zahtjeve, nijedan dana{njisustav koji djeluje u praksi ne posjeduje ba{ sve nave-dene zahtjeve, ve} samo ve}inu njih. No to i nije va`nojer je ~ovjek u tome ionako tek na po~etku (Beni},1995).

Odgovor na te visoke zahtjeve i jedno od rje{enjajesu sustavi za potporu odlu~ivanju (decision support).Modeliranje za u~enje (modelling as learning) novi je putkojim se èli napravit proboj u budu}nost. I ve} se ~ini dabi i prakti~ni rezultati mogli biti primjereniji aktualnoj si-tuaciji. Logi~ko programiranje (logical programming),utemeljeno na reagiranju na doga|aj kao osnovni motivneke akcije, mnogo obe}ava. îni se da je to prirodanna~in rje{avanja problema - tako to rade i priroda i ~ovjek.Prethodnu generaciju deklarativno usmjerenih ra~unalnihjezika istiskuje nova, na objekte usredoto~ena generacijatih istih programskih jezika. No danas su oni redefiniranina na~elu deklarativno-aritmeti~koga i vizualnog progra-miranja bliskoga ~ovjeku. îni se da su ra~unala ve} po-malo dorasla tome da u realnom vremenu mogu kreirativirtualne svjetove (virtual reality), koji bi kao inkarnacijaistinske primjene ra~unalne grafike inteligentnim auto-nomnim sustavima trebali omogu}iti uvjerljivost u komu-nikaciji s ~ovjekom, te holografskoj prezentaciji znanja irje{enja dobivenih proceduralnom i logi~kom analizomproblema (sl. 1). Sve je to mogu}e jer se ~ini (a je li uistinutako?) da je ve} otprije skupljena dovoljna kriti~na ko-li~ina znanja (formalnih postupaka, metoda i modela)koja mora rezultirati novim probojima. U {umi novih poj-mova, podru~ja i pristupa rje{avanju problema ra|a se iteorija kaosa (chaos theory), koja nastoji razmrsiti (naiz-gled) zapetljanu situaciju. Cilj joj je stvoriti op}i svjetskimodel zbivanja, kako bi se njegovim prou~avanjem ra-zumjele i nove spoznaje (Beni}, 1995).

2.2. Neka motri{ta umjetne inteligencije uindustrijskoj proizvodnji

2.2 Some views of artificial intelligence in industrialproduction

Suvremena industrijska proizvodnja i, posebice,CIM (Computer Integrated Manufacturing - ra~unalomintegrirana proizvodnja) koncepcija pogodno su tlo zaprimjenu svega onoga {to danas obuhva}a umjetna inte-



ligencija. Suvremeni trendovi u razvoju i implementacijiumjetne inteligencije u industrijsku proizvodnju jesu:• razumijevanje kontinuiranoga govora• razvoj i realizacija sustava za planiranje vremena

(rokovi izrade), planiranje postupaka obrade, dija-gnozu opreme, nadzor i upravljanje industrijskimprocesima, automatsko generiranje planova rada, iz-bor instrumentarija i opreme (znanstveno upravljan-je, scientific management) (Katalini}, 1992).

Osim navedenih, aktualni su i trendovi prepozna-vanja i izbora dijelova-pozicija-predmeta, {to je i pre-duvjet primjene robota i manipulatora u mnogim po-dru~jima tehnologije. Sve bi to pak trebalo omogu}itida CIM kao koncepcija jednog dana zaìvi u stvarnosti.

Suvremena je industrijska proizvodnja nezamisli-va bez organizacije proizvodnje. Preduvjet djelotvor-nog ostvarivanja takve proizvodnje u CIM koncepcijijest sustav planiranja i vo|enja proizvodnje - PPS (Pro-duction Planning System), utemeljen na osnovnim logi-sti~kim na~elima. Logistika se kao istozna~nica onoga{to se naziva organizacijom proizvodnje moè definira-ti kao znanstvena disciplina koja prou~ava i rje{avaprobleme planiranja, pripreme, opskrbe, raspodjele,kontrole, pra}enja i upravljanja svim resursima i njiho-vim tijekovima s ciljem optimizacije ukupnih tro{kovau procesima proizvodnje (Grladinovi}, 1999).

Dana{nje suvremene koncepcije logistike i pri-stup primjeni umjetne inteligencije u industrijskoj seproizvodnji o~ituju uklju~ivanjem ovih metoda i na~inarje{avanja problema:• ekspertnih sustava u klasi~nom smislu (expert

systems)

• sustava za potporu odlu~ivanju (decision supportsystems)

• modeliranja za u~enje (modelling for learning).Osim samih koncepcija, umjetna inteligencija ra-

zumijeva i niz specifi~nih i op}ih metoda {to ih te kon-cepcije trebaju oìvotvoriti. Spomenimo samo nekespecifi~ne:• ra~unalno u~enje (machine learning)• heuristika (heuristics)• logi~ko programiranje (logical programming)• neuralne mreè (neural networks)• teorija kaosa (chaos theory) (Beni}, 1995).

Pri tome je osnovni cilj razviti inteligentne susta-ve koji bi trebali preuzeti nadzor i upravljanje proiz-vodnjom. Njihova je konkretna zada}a primjena u:• inteligenciji informacijskog sustava• potpori poslovnom odlu~ivanju• dijagnostici (prepoznavanju oblika, predmeta, mje-

renju)• oblikovanju proizvoda• projektiranju tehnolo{kih postupaka• projektiranju proizvodnih procesa i sustava• planiranju i pra}enju proizvodnje (***, 1990).

Na slici 2. u obliku triju piramida konceptualno jei relacijski predo~ena paradigma povezanosti koncep-cija primjene umjetne inteligencije, razine odlu~ivanjate vrste problema koji treba rije{iti u tipi~noj industrij-skoj tvrtki (Beni}, 1995).

Najnià razina problematike sa stajali{ta logistikesvake industrijske tvrtke jest upravljanje postupcima iprocesima s kojima se susre}emo na razini operativnogodlu~ivanja. Zbog prirode problema {to ih treba rije{iti,



Slika 1. Virtualni svijet - okruènje u~enja (Forrester, 1992)Figure 1 Virtual world – learning environment (Forrester, 1992)

u tim se slu~ajevima obi~no primjenjuje klasi~ni ek-spertni sustav. Na temelju baze znanja i mehanizmaisklju~ivanja, takvi sustavi brzo i u~inkovito rje{avajuprobleme dijagnostike u naj{irem smislu te rije~i.

Na vi{oj takti~koj razini odlu~ivanja treba rije{itiprobleme upravljanja proizvodnjom. Za takve se tipoveproblema u dana{nje vrijeme uobi~ajila uporaba susta-va za potporu odlu~ivanju. Na temelju proceduralnougra|enog znanja i pristupa bazama podataka, prethod-ni sustavi, kao inteligentno djeluju}i programi, imajuulogu ~ovjekova pomo}nika i savjetnika.

Modeliranje za u~enje dominantan je pristup rje-{avanju problema poslovanja. Kako industrijska tvrtkadjeluje u zadanoj okolini, modeliranje mora biti prila-godljivo zahtjevima te okoline, a ujedno mora mo}i ut-jecati na zahtjeve okoline. Zbog toga je potrebno izgra-diti model poslovanja tvrtke u koji treba uklopiti svebitne ~imbenike okoline. Na taj na~in, na razini stra-te{kog odlu~ivanja, primjenom sustavske dinamike si-mulacija i prognoziranja, u interakciji s neuralnommreòm, treba istraìti i predvidjeti scenarij budu}nostite prilagoditi tvrtku zahtjevima koje donosi budu}nost(Beni}, 1995).



Slika 2. Hijerarhijske piramide rje{avanja problema u industrijskoj tvrtki (Beni},1995)Figure 2 Hierarchy pyramids of problem solution in industrial companies (Beni},1995)

Slika 3. Ekspertni sustav (Grladinovi}, 1999)Figure 3 Expert systems (Grladinovi}, 1999)

2.3. Ekspertni sustavi2.3 Expert systems

Klasi~na koncepcija ekspertnog sustava temeljise na ra~unalnom programskom sustavu koji objedinju-je bazu znanja sa svom potrebnom i nu`nom radnomokolinom, koja mu treba omogu}iti autonomno djelo-vanje unutar unaprijed zadanih okvira. Zato takav su-stav mora imati:

• bazu znanja - tipi~nu bazu podataka obi~nosmje{tenu na hardverskim resursima ra~unalnog su-stava ili lokalne kontrolne mreè

• radnu memoriju - memorijski prostor rezerviran zarazvoj rekurzivnih logi~kih i (prema potrebi) nume-ri~kih operacija

• mehanizam zaklju~ivanja - programski okviri (fra-mes) unutar kojih su ve} definirana pravila povezi-vanja

• modul za prikupljanje podataka - programski modulkoji prikuplja i obra|uje podatke s unaprijed zadanihi privremeno dostupnih ure|aja, senzora

• korisni~ko su~elje - programski modul koji trebaomogu}iti vezu ~ovjek-ekspertni sustav i imavi{estruku ulogu (dopuna i/ili izmjena baza znanja,dopuna i/ili izmjena frameova zaklju~ivanja, reorga-niziranje modula za prikupljanje podataka).

U biti, ekspertni su sustavi namijenjeni dijagno-stici, jer se pomo}u njih naizgled lako mogu dobiti dija-gnosti~ki odgovori. Na temelju vidljivih znakova nekepojave neupu}eni korisnik moè utvrditi o ~emu je ui-stinu rije~, te je zbog toga njihova uloga u industriji po-najprije savjetodavna.

2.4. Sustavi za potporu odlu~ivanju2.4 Decision support systems

Pri detaljnijoj ra{~lambi industrijske proizvodnjeuo~ava se da koncepcija sustava za potporu odlu~ivan-ju (DSS - Decision Support System) ima zna~ajnu prim-jenu. Ta se koncepcija unekoliko razlikuje od klasi~ne

koncepcije ekspertnog sustava, iako u biti i ti sustavi naneki na~in pripadaju univerzalnim ekspertnim sustavi-ma (sl. 4). Sustavi za potporu odlu~ivanju danas su me-tafora za ra~unalno orijentirane i inteligentno koncipi-rane programske sustave koji isklju~ivo sluè kao pot-pora za racionalno dono{enje odluka u sloènim situa-cijama i nedovoljno strukturiranim problemima (fuzzylogic). Za razliku od ~istoga ekspertnog sustava, koji jelogi~ki strukturiran, sustav za potporu odlu~ivanjuusmjeren je ponajprije na procese - postupke, odnosnona njihovu primjenu u rje{avanju specifi~nih problema.Temeljno obilje`je takvih sustava jest postojanje inte-rakcije izme|u baza:1. modela i korisnika (komunikacijska veza) - sposob-

nost interaktivne komunikacije izme|u sustava ikorisnika koja se odnosi na prikaz poznatih (posto-je}ih) modela,

2. modela i metoda (interpretacijska veza) - sposob-nost dinami~ke analize i interpretacije modela na te-melju to~no specificiranih zahtjeva korisnika,

3. metoda i korisnika (integracijska veza) - sposobnostprimjene metoda i informacija na osnovi rezultatadobivenih iz njihove primjene kako bi se korisnikuna dinami~an i konkretan na~in predo~ilo rje{enje skompletnom pripadaju}om analizom (Grladinovi},1999).

Logi~ko zaklju~ivanje (rezolucija) moè biti sa-stavnica takvih sustava, no ono nije njihovo dominatnoobilje`je. Naime, u samoj se proizvodnji ljudi stalno su-sre}u s novim nepoznanicama, a ni neki osnovni pro-blemi jo{ nisu rije{eni na zadovoljavaju}i na~in (Forre-ster, 1992). Sustave za potporu odlu~ivanju obiljeàva-ju ova svojstva:1. interaktivni su,2. sluè kao potpora odlu~ivanju,3. rje{avaju nestrukturirane probleme,4. koriste se podacima,5. kreiraju modele.



Slika 4. Paradigma sustava za potporu odlu~ivanju (Beni}, 1995)Figure 4 Paradigme of decision support system (Beni}, 1995)

Da bi mogli ostvariti navedene zahtjeve, takvi su-stavi u svojoj prakti~noj programskoj realizaciji morajuimati:• bazu podataka (npr. iz klasi~noga MRP II sustava)• bazu modela s pripadaju}im rje{enjima• programe (metode, algoritme) koji omogu}uju

odlu~ivanje.

2.5. Baza podataka sustava za potporuodlu~ivanju

2.5 Data base for decision support systems

Baza podataka sustava za potporu odlu~ivanjuponajprije ovisi o namjeni sustava. Ako je rije~ o susta-vu koji sluì kao potpora proizvodnji (planiranju tehno-lo{kih procesa, proizvodnih procesa ili proizvodnje),tada je baza podataka ono {to se pod time razumijevakada se govori o programskim paketima potpore proiz-vodnji. To je klasi~na relacijska (u novije vrijeme ob-jektna) baza podataka s tablicama osnovnih entiteta.Svaki slog (zapis) u tablici jedan je podatak koji se sa-stoji od atributa, a tablice su me|usobno povezane rela-cijskim vezama (indeksi).

2.6. Program sustava za potporu odlu~ivanju2.6 Program for decission support systems

Program sustava za potporu odlu~ivanju moè sesluìti podacima iz tablice (prikupljati ih, selektirati ianalizirati). Za to se koristi unaprijed ugra|enim algo-ritmima – postupcima - metodama. Na osnovi rezultataprethodne selekcije i analize, sustav prema unaprijedzadanim logi~kim i proceduralnim pravilima automat-ski razvija model kako bi se nekim od prikladnih postu-paka rije{io zadani problem. Zadavanje problema pret-hodi generiranju modela te moè (ovisno o koncepciji)biti nametnuto kao vanjski nalog operatera ili kao zada-ni cilj ugra|en u programsko rje{enje. Svaki novi mo-del, kao i njegovo rje{enje, zapisuje se u bazu modela.

2.7. Programi za odlu~ivanje2.7 Decision programs

Programi za odlu~ivanje sr` su takvog sustava.Pri tome takvom sustavu prije svega odgovaraju proce-duralno orijentirani programi, a manje oni koji se te-melje na ~istoj logici. Oni mu omogu}uju pojedine fun-kcije: manipulaciju bazom podataka, prikupljanje, ana-lizu i selekciju bitnih podataka, izgradnju i analizu mo-dela, rje{avanje zadanog problema (u cjelini ili u poje-dinim njegovim segmentima). Takav sustav moè imatii programe (objekte) zaduène za logisti~ku analizuproblema, pri ~emu mu unaprijed moraju biti zadaniokviri djelovanja i na~ini zaklju~ivanja (Beni}, 1995).

2.8. Modeliranje za u~enje2.8 Modelling for learning

Modeliranje za u~enje jedna je od koncepcija ko-jom se na ~ovjeku prikladan na~in moè rje{avatimno{tvo problema. Bez obzira na bitne razlike od do-sad opisanih koncepcija (ekspertnih sustava i sustavaza potporu odlu~ivanju), obje koncepcije imaju ne{tozajedni~ko. To je model. Model je conditio sine quanon svakog zaklju~ivanja i u~enja, bez obzira na tokako ga mi zvali. Osnovni aspekti ra~unalnog u~enja

jesu automatsko programiranje, umjetni~ka kreativ-nost, saìmanje podataka, optimiranje te traènje i iz-gradnja teorija (Forrester, 1992).

Za sve prethodne aspekte bitan je model. Modelje:• pojednostavnjena slika realnog sustava• pojednostavnjena i vjerna slika procesa u nekom re-

alnom sustavu• struktura u~inka sustava (Eu), ovisna o nepoznanica-

ma i parametrima koji se mogu (xi) i/ili ne mogu (yi)kontrolirati:

Eu = f (xi , yi ) (1)

a modeliranje je:• postupak kojim se procesi u realnom sustavu (real-

nom problemu) preslikavaju u sustav - model koje-mu je cilj prou~avanje pona{anja prethodnoga real-nog sustava

• funkcija koja uspostavlja odnos izme|u u~inaka su-stava te varijabli i parametara koji djeluju u sustavu.

Modeliranje za u~enje, kao disciplina koja nedo-staje, danas ozna~ava suvremenu koncepciju u izgrad-nji i verifikaciji teorija, posebice onih vezanih za po-na{anje poslovnih sustava (organizacija je u {irem smi-slu takav sustav). Modeliranje u~enja proizlazi izravnoiz teorije odlu~ivanja (Lane, 1992).

Modeliranje za u~enje savjetodavna je metodolo-gija potpore odlu~ivanju koja se koristi analiti~kim in-strumentarijem i bliskim asocijacijama. Kako savjetnikima ulogu katalizatora u zajedni~kom procesu odlu-~ivanja, njegova je zada}a pripremiti interaktivni okvirza korisnikove ideje i pretpostavke koje moraju biti~vrsto utemeljene, lako razumljive i realno izvediveprikladnim analiti~kim instrumentarijem. Rezultiraju}imodel omogu}uje korisniku provjeru koherentnostiideja te razmatranje dosljednosti tih ideja i posljedica{to ih one prouzro~uju. Model je poslovni sustav na ko-jemu se tada jednostavno mogu izvoditi pokusi u koji-ma se primjenjuju razli~ite poslovne strategije. Ciljprocesa je razvijanje smisla za prikladno poslovno raz-mi{ljanje, usmjeravanje diskusije prema razvoju novihopcija i ideja koje pobolj{avaju dono{enje odluka.

Kako je rije~ o poslovnom odlu~ivanju, teì se:• pronalaènju op}eg modela prema kojemu priroda

djeluje (i, sukladno tome, rje{ava probleme)• razvoju novih i inkorporiranju postoje}ih toerija i

metodologija kako bi modeli mogli u realnom vre-menu (obi~no vrlo brzo) i na odgovaraju}i na~inopona{ati najstroà zbivanja u prirodi (ISO 9000,1994).

Modeliranje procesa radi njihova prou~avanja ubiti je kompilacija mnogih ve} poznatih modela i pola-zi{ta u rje{avanju problema, a svi izravno potje~u izoperacijskih istraìvanja. U toj su kategoriji: 1. teorijaigara, 2. teorija odlu~ivanja i primjena vjerojatnosti, 3.sustavska dinamika, 4. ra~unalne simulacije (u naj-{irem smislu) i 5. statisti~ko prognoziranje. Naposljet-ku, ~ak se i sama teorija kaosa, kao najnoviji hit u ope-racijskim istraìvanjima i umjetnoj inteligenciji, moèsvrstati u tu skupinu metoda. Primijenjeno na samu or-



ganizaciju proizvodnje, prethodna se koncepcija o~itu-je tako da se interaktivnom igrom na modelu stje~uznanja o pona{anju realnog sustava (sl. 5) (Grladinovi},1999).

2.9. Inteligentni proizvodni sustavi2.9 Intelligent production systems

Na kraju uvodnih razmatranja donosimo jednu odmogu}ih sinteza onoga {to u radu nazivamo inteligen-tnim proizvodnim sustavom. Bez obzira na formu i spe-cifi~ni oblik konkretne realizacije, koncepcija ra~una-lom integrirane proizvodnje nezamisliva je bez priklad-ne upravlja~ko-nadzorne strukture. Uloga te struktureidenti~na je pak ulozi ìv~anih stanica biolo{kih orga-nizama u prirodi. Suvremeni fleksibilni proizvodni su-stavi (Flexible Manufacturing System - FMS) imajuova obilje`ja:1. autonomiju; sustav potpuno samostalno obavlja

svoju osnovnu funkciju, pri ~emu maksimalno na-stoji ograni~iti nepovoljan utjecaj okoline,

2. ra~unalno upravljanje i nadzor; sredi{nje ra~unalonadzire sve komponente sustava, odre|uje raspod-jelu poslova, aktivnosti i zadataka u svezi s njima, teim dostavlja sve nu`ne informacije,

3. organizaciju; sustav je organiziran tako da funkcio-nira i u situacijama kada se tijekom vremena dina-mi~ki mijenja opseg poslova (prema tipu, koli~ini itrajanju), pri ~emu moè uo~iti i rije{iti uska grla uproizvodnji te osigurati interne pri~uve (npr. mate-rijala, opreme, rada, energije ...),

4. op}u dijagnostiku; sustav je sposoban sam uo~itizastoj zbog nedostatka ili pogre{ke u pojedinim re-sursima (na obratcima, opremi, materijalu, radnimmjestima, informacijama), te na to ispravno reagira-

ti odgovaraju}om promjenom stanja; istodobno po-mo}u senzorskih ure|aja mora mo}i mjeriti kvalite-tu svih internih radnih postupaka i komponenata su-stava,

5. optimizaciju funkcija i resursa: sustav mora imatisposobnost optimiranja pojedinih funkcionalnihobilje`ja u realnom vremenu, prije, za vrijeme i na-kon odvijanja pojedinih poslova i aktivnosti,

6. prognosti~ku preventivu; na temelju podataka izvlastite povijesti sustav mora mo}i predvidjeti po-na{anje pojedinih svojih komponenata u budu}nostikako bi poduzeo zadane preventivne akcije,

7. veze s okolinom; sustav mora imati vezu s cjelokup-nom okolinom koja neposredno utje~e na obavljan-je njegovih zada}a (Katalini}, 1992).

Ve}ina navedenih svojstava ujedno su i obilje`jaonoga {to se u obi~nom àrgonu moè smatrati inteli-gentnim pona{anjem. Suvremeni fleksibilni proizvodnisustav na neki na~in ima obilje`ja inteligentnoga proiz-vodnog sustava (Intelligent Manufacturing System -IMS) (ili se moè re}i da teì tome). Na slici 6. pojedno-stavnjeno je prikazana op}a paradigma svega onoga {tou sklopu rada pod tim razumijevamo. Pri tome nije oso-bito bitno koliko je to prividno inteligentno pona{anjeposljedica istinskoga autonomnog djelovanja programanadzornog ra~unala (op}a ekspertna potpora odlu~i-vanju), ~ovjeka (donositelja odluke) koji nadzire radsustava putem ra~unala i programa, ili pak interaktivnodjelovanje na relaciji ~ovjek – ra~unalo - ra~unalni pro-gram. Svojstvo inteligencije takvom sustavu moè datisamo i isklju~ivo informati~ka komponenta, koja imaulogu ìv~anog sustava biolo{kih organizama (Beni},1995).



Slika 5. Modeliranje – simuliranje – u~enje (Grladinovi}, 1999)Figure 5 Modelling – simulating – learning (Grladinovi},1999)

Inteligencija se pak u takvim sustavima moèoìvotvoriti isklju~ivo kao istodobno djelovanje uprav-lja~ko-nadzornog sustava na dvije razine, me|u kojimapostoje me|usobne veze (komunikacija-prijenos poda-taka). Hardverske performanse suvremenih ra~unala isoftverskih mogu}nosti suvremenih, objektivno usmje-renih instrumentarija, omogu}uju prakti~nu realizacijusustava koji usporedno moè djelovati:• na razini rje{avanja teku}ih poslova i zadataka• na razini ra~unalnog u~enja i kasifikacije, koja se sa-

stoji od:– prikupljanja i analize podatka– samostalnog sastavljanja modela– analize modela– rje{avanja modela– analize dobivenih rje{enja

s ciljem:• klasifikacije tih modela• upoznavanja svojstava modela (prema prethodno za-

danim pravilima i postupcima) te prepoznavanjasli~nih modela kako bi se korisniku mogao predloìtipostupak rje{avanja problema

• uo~avanja ugra|enih ograni~enja, kako bi sam su-stav i/ili korisnik mogao dogra|ivati postoje}i sustavnadzora i upravljanja.

Veze izme|u navedenih razina djelovanja nu`nesu kako bi se novoste~eno znanje na razini ra~unalnogu~enja moglo primijeniti i za konkretno rje{avanje pro-blema. Na taj se na~in u sustav, u prakti~nom obliku, uzatribuciju u~enje novog znanja moè ugraditi i atribuci-

ja primjena novoste~enog znanja, {to je pak klju~noobilje`je inteligencije.

Osnovni cilj i namjena inteligentnih proizvodnihsustava jest sluènje ~ovjekovim potrebama. To pakzna~i da sustav samostalno ili u suradnji s ~ovjekomkao nadzornim organom stvara nove materijalne vrijed-nosti (dobra). U tom se smislu i inteligencija ugra|ena unj moè promatrati isklju~ivo i jedino kao sustav kojimoè donositi odluke i na temelju toga upravljati poje-dinim hardverskim sastavnicama inteligentnoga proiz-vodnog sustava. Pri tome u upravlja~ki dio sustava tre-baju biti ugra|ena sljede}a na~ela (parafraziramo tri za-kona robotike*).1. Sustav ne smije ozlijediti ~ovjeka (zahtjev sigurno-

sti), a svojom neaktivno{}u ne smije dopustiti da or-ganizacija i okolina u kojoj djeluje trpe {tetu (zah-tjevi ekonomi~nosti i ekologi~nosti).

2. Upravlja~ko-nadzorna komponenta sustava pri~ovjekovoj intervenciji mora dati prednost njego-vim zahtjevima, a ne ciljevima samog sustava, osimako je to proturje~no prvom zakonu.

3. Sustav mora ~uvati vlastiti integritet (zahtjev samo-odrànja), osim ako je to proturje~no prvom i dru-gom zakonu.

Iako je za ~ovjeka do danas to jo{ uvijek te{ko do-stiàn ideal u praksi, mnogi prethodni elementi ve} po-stoje ili se razvijaju unutar postoje}e CIM koncepcije.Suvremena koncepcija logisti~kog upravljanja radnimoperacijama (Manufacturing Operations Management- MOM) u krajnjoj se liniji potpuno uklapa u prethodnu



Slika 6. Op}i prikaz inteligentnoga proizvodnog sustava (Beni}, 1995)Figure 6 General review of intelligent production system (Beni}, 1995)

* Tri ~uvena i osnovna zakona robotike postavio je poznati pisac znanstvene fantastike Isaac Asimov u pri~i Runaround, objavljenoj u oùjkudavne 1942. godine u izdanju Astounding Science Fictiona.

koncepciju. Na slici 7. prikazana je tipi~na shema mo-gu}ega upravlja~kog softvera bez kojega ne moè fun-kcionirati koncepcija inteligentnih proizvodnih susta-va. Softverska komponenta takvog sustava (barem pre-ma postoje}im suvremenim koncepcijama razvoja sof-tvera) sloèna je, {to pak zna~i da on djeluje ume|usobno povezanim slojevima. Koliko }e u pojedi-nom sloju ona biti kompletna (u smislu ugra|enog sof-tvera), ovisi o specifi~nim potrebama konkretnoga pro-izvodnog sustava.

Upravljanje proizvodnim sustavom isklju~ivo jezada}a operativne i takti~ke razine odlu~ivanja. Pritomje, naime, rije~ o zadatku istodobnog upravljanja opera-cijama, kao i o upravljanju procesom proizvodnje (ucjelini ili djelomi~no). Pri tome se, ovisno o tipu poslo-va i zadataka te odluke koju treba donijeti, moè govo-riti o prvoj ili drugoj razini odlu~ivanja.

Navedeni aspekt upravljanja i kontrole proizvod-nje ujedno je i jedan od temelja na kojima se zasniva su-vremena koncepcija logisti~kog upravljanja radnimoperacijama u proizvodnji. Na temelju to~no specifici-ranih zahtjeva, za poznatog kupca ili za poznato trì{tepotrebno je izraditi proizvode specificirane kakvo}e.Ako je kupac poznat, cjelokupna se proizvodnja moraobaviti do strogo odre|enog roka. Ako se proizvodi zapoznato trì{te, situacija je sli~na, samo se pritom cijelaproizvodnja mora obaviti {to je brè mogu}e. Da bi sepostigli ti ciljevi, proizvodnju treba organizirati i pone-kad neposredno upravljati proizvodnim operacijama(komponenta on-line odlu~ivanja) dok je proizvodniproces u tijeku, Work in Process - WIP. Upravljanjeproizvodnjom koja je u tijeku zahtijeva i povratnu vezuna relaciji donositelj odluke – proizvodni sustav, kojaomogu}uje preventivne i korekcijske postupke kako bise postigao glavni cilj na razini proizvodnje - potpunzavr{etak proizvodnje do planiranog termina. To pakzna~i da osim potisne komponente (u informacijskom

smislu) u upravljanju proizvodnjom (od pozicija premaproizvodu) u sustav mora biti ugra|ena i povla~nakomponenta (od proizvoda prema pozicijama). Pri to-me je potisna komponenta u biti unaprjedno planiranjeproizvodnje (terminiranje), a povla~na komponentazna~i reterminiranje proizvodnje i moè postojati samoako postoji interna komponenta kontrole koja ima za-da}u kontrolirati kakvo}u zavr{ene proizvodnje(Beni}, 1995).

3. ZAKLJUÂK3 CONCLUSION

U tvrtkama za preradu drva i proizvodnju nam-je{taja navedene koncepcije upravljanja osiguravajuprikladan na~in na koji se mogu rje{avati problemi uproizvodnji i poslovanju. Koncepcijama je zajedni~koda se na temelju sposobnosti razumijevanja, zaklju-~ivanja, u~enja, primjene znanja i informacijskih teh-nologija, opaànja i prepoznavanja doga|aja i objekatamogu koristiti u smislu savjetodavne inteligentne pot-pore procesima odlu~ivanja i upravljanja poduze}imaza preradu drva i proizvodnju namje{taja. Te se kon-cepcije me|usobno dopunjuju i ~ine op}u logisti~kukoncepciju, koja u preradi drva i proizvodnji nam-je{taja moè poprimiti razli~ite oblike, od tzv. smi-sao-znanje tehnologije i informacijske tehnologije, bezobzira na to o kakvoj je koncepciji rije~. Ona mora bitisposobna davati suvisle odgovore te mo}i rje{avati si-tuacije u opsegu u kojemu smo je opskrbili znanjem oproizvodnji i poslovanju tvrtke za preradu drva i proiz-vodnju namje{taja. Takvo savjetodavno svojstvo prika-zanih koncepcija ~vrst je oslonac u okolini koja zbunju-je.

Opisane koncepcije danas ~ine suvremenu kon-cepciju u izgradnji i vrednovanju teorija, posebice onihvezanih za djelovanje proizvodnih sustava u preradidrva i proizvodnji namje{taja.



Legenda/Legendkorisni~ko su~elje (user’s interface), potpora odlu~ivanju (decision sup-port), klasi~ni ekspertni sustav (traditional expert system), CAE ra~una-lom podràno inènjerstvo (Computer Aided Engineering), CADra~unalom podràno projektiranje (Computer Aided Design), CNC –kompjutorsko broj~ano vo|enje (Computer Numerical Control), CAM– ra~unalom podràna proizvodnja (Computer Aided Manufacturing),CAQ – ra~unalom podràna kvaliteta (Computer Aided Quality), MRP– planiranje materijalnih resursa (Material Resource Planning), financi-je (finance), statisitka (statistics), numeri~ke metode (numerical met-hods), simulacije (simulations), optimiranje (optimisation), kompajleri(compailers), interpreteri (interpreters), komunikacije (comunnica-tions), baza podatala (data base), operativni sustav (operations system)

Slika 7. Razli~iti slojevi softvera za umjetnu inteligenciju (Beni}, 1995)Figure 7 Different software levels for artifical intelligence (Beni}, 1995)

LITERATURAREFERENCES

1. Anderson, J. E., 1994: Management of Manufacturing,Model and Analysis, Addison-Wesley Publishing Com-pany, Workingham.

2. Angehrn, A. A., 1991: Modelling by Example: A LinkBetween Users, Models and Methods in DSS, EuropeanJournal of Operations Research, Special Issue: Sixth EuroSummer Institute Decision Support Systems, vol. 55,296-308.

3. Beni}, D., 1995: Inteligentni proizvodni sustavi, internaskripta, Fakultet strojarstva i brodogradnje u Zagrebu,Zagreb.

4. Beni}, R., 1971: Organizacija rada u drvnoj industriji,Znanje, Zagreb.

5. Beni}, D., 1993: A Decision Support System for Produc-tion Planning and Control, 3rd Interantional Conferenceon Advenced Manufacturing Systems and Technology -AMST’93, Udine Proceedings, vol. II, 165-172.

6. Beni}, D., 1993: Matemati~ko i simulacijsko modeliranjeproizvodnih sustava, Zbornik radova CIM’93, Hrvatskaakademija znanosti i umjetnosti, Hrvatska zajednica pro-izvodnog strojarstva, Zagreb.

7. Figuri}, M. i sur., 1995: Production System in WoodIndustry V, Faculty of Forestry, Zagreb.

8. Forrester, J. W., 1980: Industrial Dynamics, Massachu-setts Institute of Technology Press Cambridge, Massa-chusetts and London, England, Second Preliminary Edi-tion, Ninth Printing, Copyright 1963 by Jay W. Forrester.

9. Forrester, J. W., 1992: Policies, Decisions and Informa-tion Sources for Modeling, European Journal of Opera-tional Research, vol. 59, 42-63.

10. Forsyth, R.; Rada, R., 1986: Machine Learninig - Appli-cations in Expert Systems and Information Retrieval,Ellis Horwood Ltd., UK.

11. Graham, A. K.; Morecroft, J.D.W.; Senge, P. M.; Ster-man, J.D., 1992: Model Supported Case Studies for Ma-nagement Education, European Journal of OperationalResearch, Vol. 59, 151-166.

12. Grladinovi}, T., 1999: Upravljanje proizvodnim sustavi-ma u preradi drva i proizvodnji namje{taja, [umarski fa-kultet Sveu~il{ta u Zagrebu, Zagreb.

13. De Geus, A. P., 1992: Modelling to Predict or to Learn,European Journal of Operational Research, Vol. 59, 1-5.

14. Katalini}, B., 1992: Design Control Structures and Strate-gies for Complex Flexible Manufacturing Systems, Zbor-nik radova II. savjetovanja “Suvremeni trendovi proiz-vodnog strojarstva”, Fakultet strojarstva i brodogradnje uZagrebu, Zagreb.

15. Lane, D. C., 1992: Modelling as Learning: A ConsultancyMethodology for Enhancing Learning in ManagementTeams, European Journal of Operational Research, Vol.59, 64-84.

16. Majdandì}, N., 1988: Upravljanje proizvodnjom, Infor-macijski sistem planiranja, Strojarski fakultet u Slavon-skom Brodu, Slavonski Brod.

17. Mitchell, Jr., F. H., 1991: CIM Systems, An Introductionto Computer - Integrated Manufacturing, Prentice-HallInternational Inc, New York.

18. Morecroft, J. D., 1992: Executive Knowledge, Modelsand Learning, European Journal of Operational Research,Special Issue: Modelling for Learning, vol. 59, 9-27.

19. Schroeder, R. G., 1999: Upravljanje proizvodnjom,MATE, Zagreb.

20. Senge, P. M.; Sterman, J. D., 1992: System Thinking andOrganizational Learning: Acting Locally and ThinkingGlobally in the Organization of the Future, European Jo-urnal of Operational Research, vol. 59, 137-150.

21. Winston, P. H., 1984: Artifical Intelligence, Second Edi-tion, Addison-Wesley Publ. Co., Reading, Massachu-setts, USA.

22. *** 1990: Artifical Intelligence and Expert Systems inManufacturing, The Scope, Application and Limitationsof Inteligen Manufacturing Systems, Proceedings, IFSConferences, London.

23. *** 1994: ISO 9000 QUALITY MANAGEMENT, ISOStandard Compendium, Fifth Edition, InternationalOrganization for Standardization, Geneve, Switzerland.

Corresponding address:

Prof. TOMISLAV GRLADINOVI], PhD

Department for Production OrganizationFaculty of Forestry, Zagreb UniversitySveto{imunska 2510000 ZagrebCroatiae-mail: grladinºsumfak.hr



Documents

, Jo`e Kropiv{ek, Leon Oblak Suvremeno upravljanje