Upload
others
View
9
Download
0
Embed Size (px)
Citation preview
MAŠINSKI FAKULTET NIŠ - SIMULACIJA 2010/2011
dr Miomir Jovanović
1
Education and Culture
Predavanje 2
SIMULACIJA TOKOVA MATERIJALA
Simulacija, principi i područja primene
Simulacija je postupak predstavljanja jednog sistema sa njegovim dinamiĉkim procesom pomoću
eksperimentalnog modela da bi se došlo do saznanja koja se mogu preneti na realni sistem.
U širem smislu pod simulacijom se podrazumeva priprema, sprovoĊenje i raĉunska obrada
eksperimenata sa jednim simulacionim modelom.
Sl. 1.1 Sprovođenje ciljnog eksperimenta sa simulacionim modelom
Sl. 1.2 TU Dresden 2008 Labolatorija za simulaciju
MAŠINSKI FAKULTET NIŠ - SIMULACIJA 2010/2011
dr Miomir Jovanović
2
Sl. 1.2 Simulacije u praksi
TU Dresden 2008 Labolatorija za simulaciju
MAŠINSKI FAKULTET NIŠ - SIMULACIJA 2010/2011
dr Miomir Jovanović
3
Sl. 1.4 Komjuterske simulacije sistema toka materijala
Simulacija na računaru – principi
Simulacija diskretnih događaja, koristi model fiziĉkog sistema koji u
diskretnim vremenskim taĉkama menja svoje stanje. Vrsta i vremenska taĉka promene
stanja mogu se uvek egzaktno odrediti.
Kontinualna simulacija, koristi jednaĉine koje sistem opisuju u formi intenziteta
promena.
Monte-Carlo simulacija odslikava stohastiĉke procese, kod kojih vreme ne igra
ulogu. Ona se oznaĉava i kao metoda ponovljenih pokušaja.
Kombinovana simulacija, primenjuje simulaciju diskretnih dogaĊaja na jedan
kontinualni model.
Hibridna simulacija, koristi kontinualne sub-modele u okviru modela diskretnih
dogaĊaja.
Kompjuterske igre su po pravilu kombinacija svih ovde naznaĉenih simulacija.
Stanje sistema, promena stanja i prelazna stanja
Stanje sistema je skup i konkretno formiranje svih promenljivih, koje su potrebne
da bi se model odnosno sistem opisao u odreĊenom vremenskom trenutku.
Promenu stanja sistema predstavlja promena najmanje jedne promenljive u
procesu rada sistema. Postoje kontinualna ili diskretna prelazna stanja.
MAŠINSKI FAKULTET NIŠ - SIMULACIJA 2010/2011
dr Miomir Jovanović
4
Kontinualna prelazna stanja opisuju se diferencijalnim jednaĉinama, a diskretna
prelazna stanja odreĊena su dogaĊajima.
Primena simulacija
Primena na procesima. Kod ispitivanih postupaka radi se o:
slučajnim procesima kod kojih se može razlikovati:
- nanošenje opterećenja
- redosled i dodela,
- raspoloživost, otkaz komponenata.
usko spojenim, kompleksnim sistemima sa zastojima i blokadama
Primena na sistemima. Ispitivanja na realnim sistemima mogu biti:
nemoguća:
- kad sistem još ne egzistira,
- kad je verovatno oštećenje ili razaranje sistema.
neekonomiĉna:
- kada je vreme ispitivanja dugo ili
- kada ometa regularni rad sistema.
Polja primene simulacije
Novo planiranje. Ovde se primenjuje simulacija da bi se ostvarii sledeći
ciljevi:
provera funkcionalnosti,
odreĊivanje uĉinka,
minimiziranje troškova s obzirom na: dimenzionisanje postrojenja, strategiju
upravljanja, utvrĊivanje uskih grla, odreĊivanje vremena protoka, formiranje zaliha.
Modifikacija postojećih postrojenj,. Ciljevi:
odreĊivanje graniĉnih kapaciteta,
analiza slabih mesta i uskih grla,
ocena nastalih promena s obzirom na: kapacitet, proizvodnju, proizvodne planove, strukturu
sistema, organizaciju i strategiju rada (npr. proizvodnje).
U fazi realizacije može se uraditi sledeće:
test uĉinka postrojenja pri postepenom puštanju postrojenja u rad,
preispitivanje odziva (ponašanja) na bazi zahtevanih promena,
proba i testiranje upravljaĉkog softvera,
školovanje saradnika.
U toku normalnog rada može da se analizira
operativno poreĊenje varijanti dispozicionih alternativa za: raspored mašina, utvrĊivanje
redosleda, odreĊivanje veliĉine prostora, primenu personala.
Prednosti, nedostaci i granice primene simulacije Prednosti
1. Sigurni dobitak
smanjenje rizika,
MAŠINSKI FAKULTET NIŠ - SIMULACIJA 2010/2011
dr Miomir Jovanović
5
funkcionalnost sistema,
funkcionalnost upravljanja,
kvalitet obaveza.
2. Ušteda troškova
jednostavan sistem i upravljanje,
optimizacija meĊuskladišta, zaliha i odvijanja rada.
3. Poboljšano razumevanje sistema
osetljivost parametara,
zasnovanost izabranih rešenja,
obuka personala,
dinamiĉka analiza i predstavljanje.
4. Povoljno vođenje procesa
podrška odluka pri pojavi problema u radu (proizvodnji),
optimizacija procesa prema proizvoljnim funkcijama cilja,
optimizacija upravljanja,
smanjenje troškova smetnji,
skraćenje faze uhodavanja.
Nedostaci
1. Modeliranje i simulacija zahtevaju specijalno obrazovanje
obrazovanje u modeliranju i simulaciji postaje dodatni sastavni deo inženjerskog obrazovanja,
softveri simulacija nude uvek bolju podršku pri definisanju - uspostavljanju simulacionog
modela i njegovoj validnosti.
2. Simulacioni modeli zahtevaju interpretaciju
softveri simulacija nude uvek bolju podršku pri analizi rezultata simulacije.
3. Simulaciona ispitivanja su vremenski obimna i skupa
sposobnost racunanja postaje sve povoljnija,
produktivnost simulacije se povećava poboljšanjem softvera i obrazovanja.
Granice i lista uputstava
simulacije sprovoditi uvek pre investicija,
simulacija uvek predpostavlja jasnu definiciju cilja i procenu obima,
pre simulacije treba iskoristiti analitiĉke metode,
simulacija nije zamena za planiranje,
kvalitet rezultata simulacije ne može biti bolji nego što dozvoljavaju podaci sa kojima je
simulacija izvedena,
simulacija je onoliko dobra koliko i saradnja osoblja koji radi studiju.
Istorijat simulacije diskretnih događaja Istorijat
Računarska
simulaciona
tehnika
Jezik
simulacije
Računska
tehnika
Tehnika toka materijala
1955 Analogna Poĉeci traženja Veliki raĉunar kao industrijsko
MAŠINSKI FAKULTET NIŠ - SIMULACIJA 2010/2011
dr Miomir Jovanović
6
simulacija rešenja postrojenje
60-65 Istovremena po-
java više simu-
lacionih jezika
GPSS, GASP/SLAM,
Simscript,
Simula
Prve radne stanice i digitalni
raĉunari sa programiranjem u
simulacionoj primeni
Prvi visokoskladišni regal
u Nemaĉkoj
65-80 Uska povezanost
hardverske baze
i jezika imulacije
Diversifikacija jezika
simulacije (npr. 14 GPSS
diskete)
IBM veliki raĉunar-Dominanz,
tržište radnih stanica
Rasĉlanjavanje skladišta u
proizvodnom procesu,
tehnika raspodele
1980 Ozbiljna kompjuterska grafika,
prvi PC
Spajanje transportnih i
informacionih tokova
1985 Prve
vizuelizacije
AutoMod,GPSS,
Simple++, SimFactoryll5
Prodor PC Usaglašenost transportnih
sredstava i baukasten sis.
1990 Paketi imulacija,
orjentacija na
objekte
AutoMod II, Witness,
ProModel, SimanArena
PC su u potpunosti potisli
velike raĉunare
KanBan, Just-in-Time,
inteligentna tehnika
transpotnih tokova
2000 Integrisana
simulacija
Zamena radnih stanica sa PC Virtuelno preduzeće,
e-comerce, kompleksna
postrojenja traži simul.
Sadašnje stanje
AutoMod
Brooks Automation
(AutoSimulations)
eM-Plant
Tecnomatrix
(Simple ++)
Enterprise Dynamik
Enterprise Dynamik
kombinacija opštih
simulacionih jezika i
modeliranje orijentisano
ugradne komponente, bazirana
na Layout
prava razmera 3D okruženja
baziran na Compiler-u
okruženje modeliranja
orjentisano na ugradne
komponente i objekte
2DVizualiziranje
(3D per Add-on)
model okruženja orjentisan na
objekt
2D modeliranje, razmera 3D
simulacije
Auto-kompilacija
Dalji softveri: Arena, Witness, Dosimis, SimFactoriyll 5,
ProModel, AIM, SimPRO, Quest, Flexsim
Dalji izgledi
dalji razvoj softvera za simulaciju:
- poboljšanje korisniĉkih mesta,
- proširenje softverskih preseka: ODBC, TCP/IP, ActiveX, Apls,
- poboljšanje alata za analizu: genetsko optimiranje,
- automatska proizvodnja modela.
zatvaranje novih oblasti primene:
- povezivanje simulacija: test upravljaĉkih softvera; operativno nalaženje odluka;
podeljena simulacija,
- formiranje raĉunskog modela,
- integracija u menadžment podataka preduzeća.
MAŠINSKI FAKULTET NIŠ - SIMULACIJA 2010/2011
dr Miomir Jovanović
7
2. STATISTIKA
Slučajne promenjive: neprekidne i diskretne Slučajna promenljiva je ona koja dobija vrednosti kao rezultat sluĉajnog procesa.
Neprekidne slučajne promenljive mogu uzeti beskonaĉno mnogo vrednosti, npr. vreme
ĉekanja.
Diskretne slučajne promenljive mogu uzeti samo konaĉne vrednosti, npr. broj zahteva
Statistički brojevi: srednja vrednost, varijanca, kvantili
Srednja vrednost predstavlja aritmetiĉku sredinu vrednosti niza merenja, kao:
n
1iin21X
n
1X......XX
n
1X .
Srednja vrednost se oznaĉava i kao oĉekivana vrednost EX, pa važi:
EYEXYXE .
Varijanca predstavlja meru rasipanja vrednosti jednog niza merenja
2
i
2
iEXX
n
1XX
n
1VX .
Standardno odstupanje je kvadratni koren varijance: VXs .
Raspodele: neprekidna i diskretna raspodela Funkcija gustine i funkcija raspodele pri neprekidnoj raspodeli
Definicija: Funkcija gustine jedne neprekidne raspodele je pozitivna funkcija za koju važi:
dxxfbXaP
b
a
Grafik predstavlja verovatnoću, da vrednost x leži u intervalu izmeĊu a i b. U oblasti meĊuvremena dolazaka, gustina verovatnoće može uzeti vrednosti:
tf0 (2.7)
Pri tome mora biti ispunjen uslov normiranja (2.8), da je površina ispod krive na slici 2.1-a, jednaka 1.
1dt tf0
(2.8)
VEROVATNOĆA: nastajanja meĊuvremena dolaska, sa vrednostima ktt0 , odgovara
integralu funkcije verovatnoće gustine od 0t do ktt . Verovatnoća P (Probability) je:
kt
0
k tFdt tftt0Pk
(2.9)
MAŠINSKI FAKULTET NIŠ - SIMULACIJA 2010/2011
dr Miomir Jovanović
8
Sl. 2.1 Funkcija gustine kod neprekidne (kontinualne) raspodele
a. funkcija verovatnoće gustine raspodele f(t), b. funkcija raspodele F(t)
FUNKCIJA RASPODELE: Ĉešće se umesto funkcije gustine raspodele, koristi funkcija raspodele
F(t) sa kojom se raspodela meĊuvremena dolazaka još jednostavnije odreĊuje (vrednuje). Funkcija
raspodele F(t) nastaje integracijom funkcije verovatnosne gustine. Moguća oblast njene vrednosti je:
1tF0 (2.10.)
Vrednost funkcije ktF na sl.2.1-b, odgovara integralu prema jednaĉini (2.9). Uz pomoć funkcije
raspodele, verovatnoća da nastupi meĊuvreme dolaska u oblasti k1 ttt , može se dati
jednostavno kao razlika vrednosti funkcije 1tF i ktF . Za verovatnoću se piše:
1kk1 tFtFtttP (2.11)
Iz jednaĉine (2.11) postaje jasno da verovatnoća za nastanak meĊuvremena dolazaka za 0it je
0tFtFtP iii . Ovakav sluĉaj (stanje) važi za sve neprekidne sluĉajne promenljive (npr.
merenje puta i vremena). Nasuprot tome može se za svako pojašnjenje jedne diskretne sluĉajne
promenljive (npr. broj komada) dati jedna konkretna verovatnoća. MeĊuvreme dolaska je po svojoj
prirodi neprekidna veličina.
Oĉekivana vrednost neprekidne raspodele (prolazno vreme): Koja se srednja vrednost meĊuvremena dolazaka može oĉekivati ? Očekivana vrednost E(t) može
se odrediti iz funkcije verovatnoće gustine f(t), prema izrazu (2.12). Oĉekivana vrednost kao
izbalansirana vrednost svih mogućih meĊuvremena dolazaka odgovara težištu površine izmeĊu apcise
i krive f(t). Oĉekivana vrednost:
f(t)
MAŠINSKI FAKULTET NIŠ - SIMULACIJA 2010/2011
dr Miomir Jovanović
9
dttfttE0
Primer: Radni vek jednog lasera iznosi u proseku 2 godine. Statistiĉka raspodela
veka trajanja poseduje funkciju gustine datu izrazom i grafikom:
inace0
0xe2
1xf
2
x
Sl.2.3 Grafik neprekidne raspodele
Verovatnoća da će vek trajanja lasera iznositi izmeĊu 2 i 3 godine je:
%5.14145.0145.0368.0eee2
13X2P 2
3
2
2
2
x3
2
.
Funkcija raspodele radnog veka lasera je
2
xx
0
2
t
e1dte2
1xF
.
Verovatnoća daće vek trajanja lasera biti izmeĊu 2 i 3 godine je:
%5.14145.00368223.0eee1e12F3F3X2P 2
3
112
3
Verovatnoća da vek trajanja lasera bude ispod 2 godine iznosi:
%2.63632.0e12F2XP 1
Funkcija gustine pri diskretnoj raspodeli
Klasa i=1(1)n t=constant
t
H i
H 2
H 1
0 t 1 t 2 t 3 t n t i
Slika 2.7. Histogram apsolutne uĉestalosti izmerenih meĊuvremena dolaska i vremenskih klasa širine t
U PRAKSI: Funkcija verovatnoće gustine f(t) i funkcija raspodele F(t) meĊuvremena dolaska u
svojoj matematiĉkoj formi za izvedene sisteme materijalnih tokova u normalnim sluĉajevima unapred
MAŠINSKI FAKULTET NIŠ - SIMULACIJA 2010/2011
dr Miomir Jovanović
1
0
nisu poznate. Merenjem se može odrediti sa kojom učestalošću se javljaju meĊuvremena dolazaka u
unapred zadatom vremenskom intervalu. Kao približenje, dobija se diskretna raspodela koja je u
stvarnosti neprekidna raspodela meĊuvremena dolazaka. Kao rezultat, može se apsolutna uĉestalost
iH predstaviti, na primer, u formi histograma prema slici 2.7. Pri tome, za relativnu uĉestalost važi:
n
1i
i
ii
H
Hh
za 1h0 (2.13)
Pod pretpostavkom da je rezultat merenja (sl.2.7) reprezentativan za sva meĊuvremena dolazaka,
tada se empirijski može izjednaĉiti relativna uĉestalost ih sa nepoznatom verovatnoćom ip :
ii hp za 1p0 i (2.14)
pri tome: i1ii tttPp (2.15)
0
0
p 1
t 1
t 1
p 2
t 2
t 2
t k
t k
p k
t n
t n
t i
t i
p i
P k
P
1,0
a.
b.
Slika 2.8. Diskretne raspodele meĊuvremena dolazaka pomoću: a. elemenata vektora verovatnoće, b.
funkcija raspodele
Kumulativna funkcija diskretne raspodele Definicija: Funkcija raspodele diskretnih veliĉina predstavlja kumulativnu funkciju gustine:
Vrednosti ip su elementi vektora verovatnoće sa sumom jedan:
n
1ii 1p (2.16)
KOLIKA JE VEROVATNOĆA DISKRETNE RASPODELE: Verovatnoća za nastajanje
meĊuvremena dolazaka sa vrednošću ktt0 , odreĊuje model diskretne raspodele, analogno
integraciji, procedurom sumiranja. Sada se verovatnoća može napisati:
k
1iik ptt0P (2.17)
OĈEKIVANA VREDNOST DISKRETNE RASPODELE: Verovatnoća nastanka meĊuvremena
dolazaka u oblasti k1 ttt , može se odrediti takoĊe za diskretnu raspodelu, kao razlika vrednosti
funkcije F(t). Oĉekivana vrednost diskretne raspodele analogna je jednaĉini (2.12).
MAŠINSKI FAKULTET NIŠ - SIMULACIJA 2010/2011
dr Miomir Jovanović
1
1
n
1i
ii pttE (2.18)
U ovom odeljku, uvedene su diskretne raspodele meĊuvremena dolazaka kao u praksi merljiva
približenja neprekidne raspodele. Kad se vrednosti meĊuvremena dolazaka u stvarnost menjaju
skokovito, na primer ako se daju kao cele vremenske jedinice dan, sedmica ili mesec.
Rasipanje vrednosti meĊuvremena dolazaka
Potreba za velikim stepenom iskorišćenja nameće potrebu da se rasipanje meĊuvremena
dolazaka vrednuje. Za to je pogodna tzv. varijanca ili disperzija kao najpoznatiji parametar
rasipanja u statistici. Varijanca je oĉekivana vrednost kvadrata odstupanja od srednje
vrednosti. Za neprekidnu (kontinualnu) raspodelu varijanca se definiše izrazom:
dttftEttVar
0
2
(2.20)
Za diskretnu raspodelu varijanca se raĉuna prema:
n
1ii
2ptEttVar (2.21)
Ĉesto se kao parametar rasipanja daje standardno odstupanje : tVart (2.22)
Da bi se raspodele sa razliĉitim vrednostima oĉekivanja (rasipanja) mogle uporeĊivati, pogodno je
relativno standardno odstupanje poznato kao koeficijent varijacije v:
tE
ttv (2.23)
Ostale važne raspodele: neprekidne i diskretne raspodele
Neprekidna exponencijalna raspodela:
0
0xexf
e
0
0xe1xF
x
Sl. 2.4 Exponencijalna raspodela
MAŠINSKI FAKULTET NIŠ - SIMULACIJA 2010/2011
dr Miomir Jovanović
1
2
Oĉekivana vrednost i varijanca:
1
XE , 2
1XV
Primena:
za vremena izmeĊu nezavisnih dogaĊaja, npr. meĊuvremena dolaska za sluĉajno nastale
zahteve (materijal, proizvodi, ljudi),
za modeliranje veka trajanja komponenata koje iznenada otkazuju (npr. sijalice),
pogodna, kada meĊuvremena dolaska jako osciliraju, kada vrednosti nemaju meĊusobni uticaj,
kada procenjena srednja vrednost nije suviše velika,
nepogodna za predstavljanje vremena usporavanja.
Neprekidna normalna raspodela:
FORMULACIJA: Normalna raspodela pogodna je za modeliranje kod procesa kod kojih postoji vrlo
mnogo pojedinaĉnih u znatnoj meri nezavisnih uticaja koji deluju na sistem. Funkcija gustine:
2x
2
1
e2
1)x(f
-≤x≤+: (3.70)
Gde je: - (nepoznata) stvarna srednja vrednost,
- (nepoznato) stvarno standardno odstupanje.
Ako su vrednosti X normalno raspodeljene, prema jednaĉini (3.70) iz normalne raspodele N(,),
supstitucijom vrednosti u=(x-)/, dobija se normalna raspodela sa =0 i =1. Funkcija gustine ove
standardne normalne raspodele, koja je oznaĉena kao normirana normalna raspodela N(0,1) je:
2
2
u
e4.0e2
1)u(f
2
2
u
(3.71)
Gustina njene verovatnoće predstavljena je na slici 3.36.
Slika 3.36 Verovatnoća gustine standardne normalne raspodele N(0,1).
OSOBINA: Izmedju granica -1≤u≤1 leži oko 2/3 svih vrednosti jedne normalne raspodele sluĉajne
veliĉine a izmedju -2≤u≤2, oko 95 %. Vrednost funkcije f(u) nalazi se u tabelama svih
standardnih knjiga statistike (recimo HARTUNG 1993.).
0 1 -1 -2 2
f(u)
u
MAŠINSKI FAKULTET NIŠ - SIMULACIJA 2010/2011
dr Miomir Jovanović
1
3
Logaritamska normalna raspodela
2
2
2
xlnexp
2
1
x
1xf ,
Sl. 2.6 Grafik logaritamske normalne raspodele
Oĉekivana vrednost i varijanca: 2
2
eXE
,
1eeXV
222
Primena:
pri mnogostrukom prenošenju velikog broja nezavisnih sluĉajnih veliĉina,
za aproksimaciju kose raspodele,
za modeliranje veka trajanja i ostvarenja vremena ĉekanja.
Jednaka (ravnomerna) raspodela
inace0
0xaab
1
xf
xb0
0xaab
ax
ax0
xF
MAŠINSKI FAKULTET NIŠ - SIMULACIJA 2010/2011
dr Miomir Jovanović
1
4
Sl. 2.7 Gustina i funkcija raspodele
Oĉekivana vrednost i varijanca: 2
baXE
,
12
abXV
2 .
Primena: pogodna, kada proces nije dovoljno poznat, ali se minimum i maksimum mogu proceniti,
generatori sluĉajnih brojeva proizvode uglavnom jednako raspodeljene sluĉajne brojeve u intervalu (0,1).
Raspodela oblika trougla
inace0
ac
2hsacxb
bc
xch
bxaab
axh
xf
xc1
cxbbcac
xc1
bxabcab
ax
xa0
xF2
2
Sl. 2.8 Grafik trougaone raspodele
Oĉekivana vrednost i varijanca: 3
cbaXE
,
18
bcacabcbaXV
222
Primena:
kada taĉna forma raspodele nije poznata, ali minimum, maksimum i uspešno oĉekivane vrednosti
stoje na raspolaganju,
lako primenljiva i razumljiva, taĉno ograniĉena oblast vrednosti, gruba sluĉajna procena pri
asimetriĉnoj raspodeli,
suviše netaĉna za korektno modeliranje.
Bernulijeva raspodela
inace0
1ip
0ip1
pi
x11
1x0p1
ax0
xF
MAŠINSKI FAKULTET NIŠ - SIMULACIJA 2010/2011
dr Miomir Jovanović
1
5
Sl. 2.9 Grafik Bernulijeve raspodele
Oĉekivana vrednost i varijanca: pXE , p1pXV .
Primena: Bernulijeva raspodela odgovara jednoj sluĉajnoj probi sa dva moguća rezultata:
uspeh sa verovatnoćom p i
neuspeh sa verovatnoćom (1- p).
Binomna raspodela
inace0
p1qsan....,,1,0xqpi
n
xf
1ni
,
xn1
1x0qpi
n
0x0
xF 1nix
0i.
Oĉekivana vrednost i varijanca: pnXE , qpnXV .
Primena:
za broj grešaka pri ispitivanju n komponenata,
za broj ĉlanova u grupama sluĉajnih veliĉina, npr. ljudi, zahtevi-nalozi.
Poasonova diskretna raspodela:
FORMULACIJA: Binomna raspodela prelazi za vrlo malo p i veliko n u Poasonovu
(Poisson) raspodelu. To izražava relacija:
n
e!x
p1px
nlim
xxnx
(3.46)
Proces važi kada proizvod np teži konaĉnoj vrednosti .
Za Poasonovu verovatnoću piše se:
0(1)n xza ,e!x
)xX(Px
(3.47)
Funkcija raspodele dobija se postepenom simulacijom:
,e!x
)xX(P)xX(P)x(Fx
0xixxii
i
ix
ni
(3.48)
MAŠINSKI FAKULTET NIŠ - SIMULACIJA 2010/2011
dr Miomir Jovanović
1
6
Oĉekivana vrednost i varijanca Poasonove raspodele imaju istu vrednost:
pn)X(Var)X(E
(3.49)
Poasonova raspodela zove se i raspodelom retkih dogadjaja. Ona se koristi za opisivanje
dogadjaja sa malom verovatnoćom nastajanja (malo p) ali za koju postoji veliki broj mogućnosti
(veliko n). U transportnim tokovima Poasonova raspodela nalazi veliku mogućnost primene.
PRIMER: Tehniĉki odeljak kontrole, sa slike 3.28, ima propisanu moć (protok) A+B==60 [h-1
]
gotovih proizvoda. U proseku je 95 % ispravno a 5 % proizvoda traži naknadnu doradu
za koju su predvidjeni kapaciteti (prostor, mašine, personal) koji obezbedjuju graniĉni
protok od =4 [h-1
] proizvoda. Postavlja se pitanje verovatnoće povremenog
preopterećenja odelenja naknadne dorade kao i potreba za odredjivanjem površine koja
obezbedjuje odlaganje (ĉekanje) na doradu. Slika 3.30 situacije sa vrednostima:
Ispitivanje A B
Cekanje ?Dorada
Montaža (A+B)
FTS
WA-L.WA
Slika 3.30 Primer odredjivanja prostora za doradu neispravnih proizvoda
Odelenje naknadne dorade nije preopterećeno, što se utvrdjuje stepenom iskorišćenja:
14
3
2
22
(3.50)
Iz ove relacije se još ne može utvrditi da li povremeno ne dolazi do preopterećenja P(X>4).
Za raspodelu proizvoda sa greškom, može se uzeti Poasonova raspodela jer je p=0.05,
n=60, np=3. Verovatnoća nastajanja preopterećenja P(X>4) raĉuna se kao komplementarna
vrednost jednaĉini (3.48):
e
!x1)4X(P1)4X(P4
0x
x
(3.51)
Za =2=3, zamenom u jednaĉini dobija se:
18.08
27
2
9
2
93105.01
!4
3
!3
3
!2
3
!1
3
!0
3e1)4X(P
432103
Iz ovoga sledi da za oko 18 % svih radnih sati u posmatranom vremenskom intervalu, može
biti preopterećenja u odelenju dorade a to znaĉi da pitanje odredjivanja neophodne površine
kao medjuskladišta ispred dorade mora ozbiljno da se razmatra. Ovo može da se sprovede
samo uz pomoć teorije verovatnoće (videti taĉku 4) ili simulacije (taĉka 6.6). Na slici 3.31,
predstavljena je funkcija raspodele za navedeni primer.
MAŠINSKI FAKULTET NIŠ - SIMULACIJA 2010/2011
dr Miomir Jovanović
1
7
0
1,0
0,5
P(X=0)
P(X=4)
P(X>4)=0,18P(X<4)
P(X<x)
21
Bild 3.31Poisson-Verteilungsfunktion derfehlerhaften Produkte im Nacharbeitsbereich( t=1 h)3 4 5 6 x
Slika 3.31 Poasonova funkcija raspodele proizvoda sa greškom u odelenju dorade (t=1 h).
Primena: Poasonova raspodela se dobija za veliki broj n iz binomne raspodele, u sluĉaju da je verovatnoća pojave
jednog od dva dogaĊaja vrlo mala i kada je broj proba relativno veliki,
broj nezgoda (povrdeda, udesa i sl.) po danu (odnosno meseĉno ili godišnje) na jednoj deonici
autoputa ili broj zahteva (pitanja, interesovanja) za jednim vrlo retko upotrebljavanim rezervnim
delom u odreĊenom vremenskom periodu imaju raspodelu Poasona.