2011.02.24.

1

Termelési folyamatok II.Termelési folyamatok II.Költségbecslés

Dr. Mikó Balázsmiko.balazs@bgk.uni-obuda.hu

Óbu

dai E

gyet

emB

ánki

Don

át G

épés

z és

Biz

tons

ágte

chni

kai

Mér

nöki

Kar

Any

agtu

dom

ányi

és

Gyá

rtás

tech

noló

giai

Int

ézet

2

Az idıAz idı-- és költségbecslés és költségbecslés feladatafeladata

Meghatározni a gyártás várható idıszükségletét és költség igényét.

?

3

A költségbecslés szerepeA költségbecslés szerepe

• Önköltségszámítás árajánlat adáshoz

• Gyártási költségek kontrollálása

• Beszállítók árajánlatainak ellenırzése

• „Venni vagy gyártani” döntés

támogatása

• Tervezési alternatívák értékelése

• Anyagszükséglet tervezés

• Gyártás ütemezés

4

A költségbecslés problémájaA költségbecslés problémája

Befektetett munka

Pontosság

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

5

Költségbecslési módszerekKöltségbecslési módszerek

• Intuitív

• Analóg

• Parametrikus

• Analitikus

• MI alapú

6

Intuitív módszerIntuitív módszerIntuícióra, tapasztalatra épít

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

2011.02.24.

2

7

Analóg módszerAnalóg módszerÖsszehasonlítás korábbi termékekkel

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

8

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

• Egyszerő• Gyors• Csak durva becslésre

Pl.: K=C0+C1*m+C2*m3

9

Analitikus módszerAnalitikus módszerA feladat részletes dekomponálása, részszámítások összegzése

• Részletes gyártási koncepció• Az egyes elemek pontosabban becsülhetık

• Pontos (± 5%)• Idıigényes

10

Költségbecslési módszerekKöltségbecslési módszerek

módszer elıny hátrány

intuitív - gyors- egyszerő alkalmazni

- szakember igényes- pontatlan- nem átlátható

analóg - figyelembe veszi a konkrét környezetet

- idıigényes- nagy adatbázist igényel

parametrikus - egyszerő- gyors

- pontatlan- heurisztikus

analitikus - pontos - idıigényes- szakember igényes- túl részletes

�

11

LHB XXXest LHBCt ⋅⋅⋅=

( )∑=

⋅⋅⋅−=n

i

Xi

Xi

Xii

HBL HBLCtS1

20=

∂∂C

S 0=∂∂

LX

S

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

Legkisebb négyzetek módszere

MIN

Parametrikus gyártási idı becslés

12

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, B, H, L2

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, B, H, L1

C, B, H, L2

C, B2, H, L

...

j

tt

D jji

i

∑ −=

,

m

Random

⋅+=∆

100

)100(01.0

Numerikus keresı algoritmus

Változás

Hiba

2011.02.24.

3

13

Eredmények

14

14

Zseb nagyoló marásaZseb nagyoló marása

A – HosszB – SzélességH – MélységR - Rádiusz

15

15

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

16

16

Szerszámút hosszaSzerszámút hossza

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)

17

17

Fogás szám:

1int +

=

pa

HI

Megmunkálási idı:

fff v

JDDJJBAJI

v

LLI

v

Lt

))1(2)1(2)22(()( 21 −⋅⋅+⋅+⋅⋅−⋅+⋅⋅⋅=+⋅==

nzfv zf ⋅⋅=

π*

*1000

D

vn c=

Elıtolási sebesség

Fordulatszám

Megmunkálási idı

18

18

SzerszámSzerszám

2011.02.24.

4

19

19

RegresszióRegresszió

x

y

++

+

+ +

+ +

δi

SS = Σ δi2

SS : Négyzetösszeg

y = f(x)

Cél: SS � MIN

Mért vagy számolt adat

y = C1+C2*x

20

20

MiniTabMiniTab v14v14

Copy + Paste Excel táblából

Eredmény terület

Diagrammok

21

21

MiniTab v14MiniTab v14

22

22

Main effects plot Main effects plot –– Interaction plotInteraction plot

A

R

H

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

8000

0

A

60

80

100150

200

250

40

50

B

60

80

100150

200

250300

400

40

50

R

6,0

8,0

10,012,5

4,0

5,0

Interaction Plot (data means) for t

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

23

23

#1 regresszió #1 regresszió -- lineárislineáris

TotalSS

ErrorSSR

_

_12 −=

)1/(_

)/(_1)(2

−−−=

nTotalSS

pnErrorSSadjR

SS – Sum of squares

95 felett kell lennie

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

24

24

#2 regresszió #2 regresszió –– négyzetes tagokkalnégyzetes tagokkal

2011.02.24.

5

25

25

RegressionRegression #3 #3 -- logarithmiclogarithmic

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

26

26

RegressionRegression #4 #4 –– log, quadraticlog, quadratic

27

3-4. Febr 2009 TOOLS 2009 Zlin 27

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

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

28

28

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

29

29

Results Results -- ConclusionsConclusions

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 ⋅+⋅⋅+⋅⋅⋅+⋅⋅+=

30

Mesterséges intelligencia Mesterséges intelligencia módszerekmódszerek

• Szabály-alapú becslés• Eset-alapú becslés• Neurális háló-alapú becslés

2011.02.24.

6

31

Alkatrész modell

Mőveletelemek

Elızési mátrix Mátrix elimináció Becsült adatok

§

1. 2. 3.

§

Heurisztikus képletek

SzabálySzabály--alapú költségbecslésalapú költségbecslés

32

Alkatrész modell

Paraméterlista

Eset bázis

Becsült adatok

Keresés

Hasonlóság megállapításaVálasztásAdaptálás

+

EsetEset--alapú költségbecslésalapú költségbecslés

33

Alkatrészmodell

ANN

Paraméter lista

Becsült adatok

Σ f(S)S

W1

W2

W3

Tanítási minta

ANNANN--alapúalapú költségbecslésköltségbecslés