Professional Documents
Culture Documents
Rádi György
Impresszum
Bevezetés
I. A Termeléshez közvetlenül tartozó tevékenységek
szervezése
II. Vállalati szolgáltató folyamatok szervezése
Irodalomjegyzék
Impresszum
A jelen digitális kiadás alapjául a 2018-ben megjelent A termelésirányítási rendszerek
szervezési módszerei (Akadémiai Kiadó, Budapest) című mű szolgált
Írta
Rádi György
Bevezetés
A termelésirányítás a vállalat minden folyamatát érinti valamilyen módon, de nyilvánvalóan
ezen jegyzet nem térhet ki mindenre. Fő szempontunk a feldolgozott témák kiválasztásában az
volt, hogy legyen egy áttekintésünka termelésirányítás elméletéről, de ahol csak lehetséges,
ott konkrét és akár általánosan használható szervezési technikákat mutassunk be. Ezen
módszerek bemutatásához a ma már mindenki számára könnyen elérhető Excelt használjuk a
legtöbb esetben.
E jegyzethez egy Excel munkafüzet is tartozik, mely a kidolgozott példákat tartalmazza.
Maga a jegyzet is leírja ugyan ezen feladatok zömét, de nem mindet, és egyébként is könnyíti
a megértést, ha Excelben is látható a megoldás, nem csak hivatkozás van rá. Ez az Excel
állomány a www.pszfsalgo.atw.hu oldal „Letöltések” füléről a „Szervezési módszerek”
címszó alól tölthető le.
Tekintsük át, hogy egy iparvállalat rendszertechnikai és funkcionális modelljében hogyan
kapcsolódnak össze az anyag-, erőforrás- és adattranszformációk az iparvállalat alapvető
funkcióival, alrendszereivel:
I.1. Tervezés
I.1.1. Vállalati tervek
I.1.2. A tervkészítés információi
I.1.3. Tervezési módszerek
• termelés,
• műszaki fejlesztés,
• anyag- és energiafelhasználás,
• állóeszköz-fejlesztés,
• munkaügy,
• pénzügy,
• értékesítés.
• kormányzati irányelvek
• ágazati fejlesztési koncepciók
• funkcionális irányítószervek információi (Pénzügyminisztérium, környezetvédelem stb.)
• várható kereslet
• versenytársak várható lépései
• a piaci versenyt érintő egyéb információk
I.1.2.2. Rendszeren (vállalaton) belüli információk
(Vegyük észre, hogy az alapadatok az Excel által könnyen létrehozható sorozatok, amelyeket néhol
csak kicsit módosítottunk!)
1. táblázat. Alapadatok
Most, hogy már megvan az egy normaórára jutó fedezet, e szerint kell sorba raknunk a termékeket.
Az Excel több lehetőséget is nyújt a rendezésre. Itt tekintjük át ezen lehetőségeket, hogy egyszer ezt
együtt is láthassuk, illetve hogy ne kelljen később a többi példában magyarázni, hanem mindenki
kiválaszthatja a megfelelő rendezési módot az adott feladathoz.
4. táblázat. A Microsoft Excel üzenete, ha az egyesített cellák miatt nem tudja végrehajtani a
rendezést
A második megoldás az, ha mi jelöljük ki a szerintünk szükséges területet (A9:H18). Ebben az esetben
nem használhatjuk közvetlenül a „Rendezés (A–Z)” vagy a „Rendezés (Z–A)” parancsot vagy ikont, mert
ilyenkor mindig a kijelölt terület első oszlopa szerint rendezne („A” oszlop szerint). A „Kezdőlap”
menüszalag „Rendezés és szűrés” menüjéből az „Egyéni sorrend…” parancsot kell használnunk. Lásd
az alábbi képen a menürészletet.
5. táblázat. Rendezés és szűrés – Egyéni sorrend
Megjelenik a „Rendezés” nevű ablak (lásd lent). Mögötte jól látszik az általunk kijelölt terület. Az ablak
paramétereit a képen látható módon állítjuk be, azaz a „H” oszlop szerint rendezünk csökkenő
sorrendben („A legnagyobbtól a legkisebbig”).
Ez a rendezési mód most megfelelne, de hátránya, hogy az eredeti területünk átrendeződne, ami nem
mindig szerencsés.
Ha szeretnénk megőrizni az eredeti adatterület is, vagy csak nincs szükség a teljes terület
rendezésére, akkor használhatjuk a harmadik lehetőséget. Olyan esetben sem rendezhetünk helyben,
ha a rendezendő oszlop több sorra hivatkozó képletet tartalmaz, hiszen ilyenkor a rendezés
tönkreteszi a képletek logikáját. (Például láncviszonyszám oszlopa szerint nem tanácsos helyben
rendezni.) Ezt statikus rendezésnek is nevezhetjük, mert egy külön területre másoljuk át a rendezéshez
szükséges oszlopokat, és ott az első két módszer valamelyikével rendezzük. Ennek az a
következménye, hogy elveszítjük a kapcsolatot az eredeti terület és az átmásolt rendezett terület
között. Az eredeti területen bekövetkező változás esetén meg kell ismételni a másolást és a rendezést.
A negyedik lehetőség az, amikor képletek segítségével rendezzük adatainkat. Itt is változatlan
marad az eredeti adathalmaz, mint a statikus rendezésnél. A rendezett területen viszont célszerű
képleteket alkalmazunk, ami biztosítja a dinamikus kapcsolatot a két terület közt. Ezért ezt a rendezést
dinamikus rendezésnek nevezhetjük.
Nézzük először a statikus rendezés megvalósítását! A képleteket tartalmazó oszlop esetében (H)
nem a képletet másoljuk át – hiszen ilyenkor a relatív címzés szabályai szerint megváltoznának a
képletek –, hanem csak az értékét. Ezért a H oszlop adatait (H9:H18) az „Irányított beillesztés”
segítségével csak értékként átmásoljuk a J9-re illesztve. Az A9:A18 területről a neveket is átmásoljuk
a K9 területre, illetve az F9:F18 területről a fajlagos normaóra-szükségletet az L9-re, hogy ebben az
elrendezésben is meglegyenek a további számításokhoz. Célszerű a megnevezéseket (J7:L8) is a
megfelelő oszlop fölé másolni (utólag, mert egyesített cellákról van szó).
Az alábbi ábrán láthatjuk, hogyan célszerű az egyes termékek termelési tervét összeállítani a rangsor
alapján. A T15-ös cellába még be kell írni a kép alsó részén lévő számítások 72-es eredményét! A
számításokat tanulmányozzuk is át! Célszerű számításainkat Solverrel is ellenőriznünk, amit a
következő részekben tanulunk meg részleteiben.
11. táblázat. Az egyes termékek termelési tervének összeállítása a rangsor alapján, ellenőrzés
Solverrel
12. táblázat. Az egyes termékek termelési tervének összeállítása a rangsor alapján, ellenőrzés
Solverrel – képlettel
A T15-ös cella tartalma meghatározható a bináris keresés elvével (célszerű próbálgatással) vagy
célértékkereséssel is.
Célfüggvény: max z = X1 + X2 (pl. minél többet gyártsunk a termékekből, vagy mindkét termék
fedezete 1).
X2 <= 4 – 2X1
X2 <= (6 – 2X1) / 3
Mivel a célfüggvénynél nem ismerjük a metszéket, csak a meredekséget, ezért egy tetszőleges
metszékre (jelen esetben max z = 6) felvesszük az egyenest, majd vele párhuzamosan eltoljuk, amíg el
nem érjük a két korlátunk közös metszetéből (lehetséges megoldások halmazából) az egyik pontot
úgy, hogy a metszék a lehető legnagyobb legyen. Ezt célszerű két derékszögű vonalzóval végezni. Az
egyik most kék színnel látszik, és a vonalzó egyik befogója ráesik a célfüggvényünk vonalára. A másik
derékszögű vonalzó most piros színű, és az egyik befogója rásimul a másik befogójára. Ezen a vonalon
addig toljuk a második vonalzót, amíg annak másik befogója úgy éri el a két korlátunk közös
metszetéből az egyik pontot, hogy a célfüggvényünk metszéke a legnagyobb legyen.
Az ábráról leolvashatjuk az X1 értékét (ahol a piros vonalzó éppen eléri a két egyenesünk és a
tengelyek által behatárolt területet): 1,5; a hozzá tartozó X2 értékét: 1 és a max z értékét, ami a kettő
összege, de a piros vonalzó függőleges tengellyel való metszékeként is megkapjuk: 2,5.
Ehhez először a két egyenlőtlenséget egyenlőséggé alakítjuk (elhagyjuk a < jelet), majd az Excel
grafikus ábrázolásához felvesszük az értéktáblázatukat az alábbi táblázatok szerint. Lásd az A, B és C
oszlopokat eredményekkel és képletekkel is!
Az Excel megkönnyíti a diagram elkészítését, ha gondoskodunk arról, hogy az adatok egy zárt
téglalappal lefedhetők legyenek. Az első oszlopban az X értékei legyenek, míg az első sorban az
ábrázolt függvények neve: (lásd a példánk szerint):
Ha már kellő részletezettségű értéktáblázattal felvettük a két függvényt, akkor ennek segítségével is
kiszámolhatjuk a célfüggvényünk értékeit az X1 függvényében. Ehhez a D oszlopban a B és C oszlopban
lévő X2 értékek közül kiválasztjuk a minimális értéket a MIN függvény segítségével, mert kisebb
egyenlőre kell teljesítenünk mindkét egyenletet. Lásd a két képletet:
X2 <= 4 – 2X1
X2 <= (6 – 2X1) / 3
A célfüggvényünk a fentiek szerint így néz ki: max z = X1 + X2. Ezt az E oszlopban számoljuk ki. Az E
oszlopból már csak a legnagyobbat kell kikeresnünk, hogy meglegyen a célfüggvényünk értéke. Az E24-
es cellában láthatjuk a legnagyobb elem kikeresését a MAX függvény segítségével. Az értéke: 2,5.
Kikereshetjük szemmel is, hogy hol van ez az érték az E oszlopban, de a HOL.VAN függvénnyel is
megoldhatjuk. Lásd az E25-ös cellát. Innen leolvashatjuk, hogy a 16. elem az (az Excel táblázatban a
17. sor, mert a legelsőben a megnevezések vannak), amelynél az X1-hez az 1,5 érték, míg az X2-höz az
1 tartozik (D oszlopból leolvasva).
A grafikus megoldáshoz elég volna kijelölni az A1:C22 területet. Célszerű azonban a Ctrl segítségével
még hozzájelölni az E1:E22 tartományt is. Pont-, más néven XY diagramot kell használnunk, mert csak
ennél a diagramtípusnál kerül számegyenes az X tengelyre (más diagramtípusoknál az X
tengelyre kategóriák – szövegek – kerülnek).
Láthattuk, hogy grafikusan számítógép nélkül is megoldhatjuk a feladatot, persze könnyebb ezt is
számítógép segítségével elvégezni. Igazán pontos értéket persze csak egzakt számítással kaphatunk.
Ebben is sokat segít az Excel Solver menüpontja. Oldjuk meg azért egzaktan is a Solver segítségével a
feladatot. Lássuk az alábbi ábrákon az adatok, képletek és a Solver paramétereinek megadását! Az
ábrán már a megoldás utáni állapotot látjuk. A H2-es cellából olvashatjuk le az X1 értékét, amely 1,5.
Az I2-es cellában az X2-es értéke pedig 1. Induláskor ezeket a cellákat általában üresen hagyjuk. A
célfüggvény értéke a J5-ös cellából olvasható le: 2,5. A kerek értékek miatt tehát itt a grafikus
megoldás is a pontos megoldást adta.
16–17. táblázat. Grafikus megoldás ellenőrzése Solverrel eredményekkel és képletekkel
Az operációkutatás számos modellt kínál az optimális termelési programok kialakításához. Még több
számítógépes program szolgálja mindezt. A legkönnyebben alkalmazható operációkutatási modell
a lineáris programozás. A legegyszerűbben hozzáférhető program ehhez pedig az Excel „Adatok”
menüszalagjában található Solver parancs. Ha a szalagon nem látszik, akkor be kell kapcsolni a „Fájl”
menü „Beállítások” ablakában a „Bővítmények” panel alján lévő „Ugrás” parancsgombbal („Excel
bővítmények”-re ugrunk). A megjelenő „Bővítménykezelő” ablakban bejelöljük a Solver bővítményt és
az OK gombbal nyugtázzuk.
Ráadásul a Solver nemcsak a lineáris modellt kezeli, hanem a nem lineárist is, de tudja
az egészértékű(néhány változó csak egészértékű lehet) és a bináris (néhány változó csak 0 és 1 értéket
vehet fel) programozást is. Az Excel 2010-es és későbbi verziói lehetővé teszik az úgynevezett „dif”
(„MindKülönböző”) feltétel megadását is, ami egy N darabból álló változócsoport értékeit korlátozza
be 1 és n közötti egész számmá.
Primál feladat:
Duál feladat:
A primál feladat célja egy maximális árbevételt biztosító termelési program készítése, amely az
erőforrásainkból végrehajtható. A duál feladat célja az erőforrások olyan áron (árnyékáron) történő
eladása, amely minimális költséggel jár a vásárlónak, de biztosítja azt az árbevételt az eladónak,
amelyet ő várna az erőforrások termelésben történő felhasználása esetén.
Az i. duál változó csak ott nagyobb nullánál, ahol az i. erőforrást teljesen felhasználtuk.
A duál feladat duál feladata a primál feladat. A duál feladat magoldása leolvasható a primál feladat
megoldásából is, és fordítva is.
Ezt a Solver „Megoldás” gombjának megnyomása után kapott, „A Solver eredményei” ablakban
kérhetjük az alábbiak szerint, ahol most az összes jelentést bejelöltük.
I.1.3.2.3.1. Eredményjelentés
A „Jelentésvázlatok” jelölőnégyzet bejelölésével kérhetjük, hogy az eredményjelentés vázlat jellegű
legyen. Ekkor a jelentés egyes részei vázlat jellegűen kinyithatók vagy bezárhatók. Lásd alább az
eredményjelentés mindkét változatát. Az első ábra a teljes képernyőt tartalmazza, hogy az alkalmazott
menüszalagot is lássuk. Itt nem kértük a vázlat jellegű megjelenítést. A második ábrán már kértük. A
bal szélen lévő és , illetve gombokkal lehet a szokásos módon kinyitni, bezárni az egyes
szinteket.
21. táblázat.
A jelentések általában elég jól érthetők, csak egy-két dologgal érdemes kiegészíteni őket. Az „Állapot”
részhez érdemes megjegyezni, hogy a „Korlátoz” érték kerül ide, ha az érintett korlátot kimerítettük.
Ilyenkor a „Korlátváltozó” értéke nulla. A „Nem korlátoz” szöveg kerül be, ha nincs kihasználva a
kapacitás. Ilyenkor a „Korlátváltozó” nem nulla. Az „Egész” oszlopba „Egész” szöveg kerül, ha egészre
korlátoztuk azt, a „Bináris”, ha binárisra és a „MindKülönböző”, ha arra. Egyébként a „Folytonos”
szöveg íródik ide, mint most is.
Láthatjuk, hogy mindkét erőforrásnál az árnyékár nagyobb mint nulla (0,25 mindkettőnél, lásd az
érzékenységi jelentés E15:E16 celláit). Tehát, ha egy egységgel bővítenénk valamelyik erőforrást,
akkor 0,25-dal nőne a célfüggvény értéke. Sajnos ez csak erre az egy egység bővítésre igaz. Az
eredményjelentésből egyúttal azt is láthatjuk, hogy mindkét erőforrást teljesen felhasználtuk
(G27:G28 cellák jelzik ezt). Ezért lehet nullánál nagyobb az árnyékár.
I.1.3.2.3.1. Korlátjelentés
A korlátjelentésben a 11. sortól kezdődő táblázatrész azt mutatja meg, hogy egy-egy változó milyen
alsó és felső korlát közt mozoghat, illetve hogy ekkor mennyi lesz a célfüggvény értéke, ha a többi
változó marad az optimális értéken.
Végül érdemes megjegyezni, hogy a Solver paramétereit mindig egy munkalapon kell tárolni, mert
a Solver a második meghívástól kezdve elfelejti, hogy más munkalapra hivatkoztunk. Egyszerűen
elhagyja a munkalapnév minősítést a cellahivatkozásból, tehát mindig az aktív munkalapra fog
hivatkozni.
Az Excel egy munkalapon csak az utolsó Solver feladat paraméterbeállítását őrzi meg, ezért minden
egyes Solver feladatot külön munkalapon érdemes kezelni. Csak így tudjuk később a Solver feladatot
könnyen megnézni, módosítani. A „Solver paraméterei” ablakban a „Betöltés/mentés”
nyomógombbal szükség esetén több Solver feladat is menthető. betölthető egy munkalapon is, de
ettől már egyszerűbb a külön munkalapok használata.
A Számítógépes termelésirányítás előadásanyag idevágó része (az első 27 dia, köztük: telephely-
allokálási modell, termelés és termelési kapacitás bővítési modell, durvaprogramozási modell).
Infoprog (számítástechnikai versenyfeladatok) 2011. 1. házi feladat 2. feladata, illetve 2008. 2. házi
feladata (egyenletrendszer megoldása). Érdemes a többi munkalapot is megnézni!
A szállítási feladat kicsit más, mint az eddig megismert termelésprogramozási feladatok. Itt egy
szállítási terv minimális költségből való megvalósítása a cél. Nézzünk egy egyszerű feladatot, rögtön
Excelben a célszerű elrendezés miatt.
24–25. táblázat. Munkagépek szállítási költségei eredményekkel és képletekkel
Forrás: Dr. Gubán Miklós PhD, BGE, főiskolai tanár
A zöld színű változó cellák most a megoldást tartalmazzák, de nyilvánvalóan először legtöbbször
üresen hagyjuk ezeket a cellákat vagy esetleg 1-et írunk (esetleg más praktikus érték is lehet)
mindenhová, mert így könnyebb ellenőrizni a beírt képleteket.
Jelölések:
Gyakori feladat, hogy alternatívák (most fejlesztési témák) közül kell választanunk. Ilyenkor jól jön a
bináris programozás lehetősége, amely a változó értékét nullára vagy egyre korlátozza be.
Nézzük meg itt is a feladat célszerű elrendezését Excelben! A zöld szín itt is a változók celláit jelöli.
Vegyük észre, hogy a B10-es cella, amely az éves kamat értékét tartalmazza, „p”-nek van elnevezve.
Bármely cellát elnevezhetünk, ha aktuálissá tesszük (vagy tömb esetén kijelöljük azt), és a
szerkesztőléc bal szélén beírjuk a nevét. Most a „p” név látszik ott.
Érdemes áttanulmányoznunk, hogyan számolódik ki a 19. sorban a nettó jelenérték. Ezt pénzügyi
függvénnyel is ki lehetne számolni, ha a B19-es cellába ezt a képletet írnánk:
=NMÉ(p;B12;B13;B14;B15;B16;B17). Ekkor ugyanaz számolódna ki, és másolható is lenne, mert a „p”
név abszolút címzés módjára viselkedik.
Célfüggvény:
Jelölések:
bi: Ei kapacitása
Nézzünk erre egy példát, a feladatot Dr. Kinczel Ferenc, a BGF PSZF-i Kar Salgótarjáni Intézetének
docense készítette.
Adott egy üzem, amely egyetlen termékcsoportot termel, pl. kerítésfonatot. Kapacitása elégtelen a
hosszabb távra prognosztizált kereslet kielégítésére. Az üzem vagy eredeti telephelyén fejleszti
kapacitását, vagy új telephelyek üzembe helyezésével oldja meg a problémát (a két változat egymás
mellett is realizálható). Hol érdemes új telephelyeket működtetni és honnan történjen a fogyasztók
ellátása? Nézzük Excelben az adatokat, azok célszerű elrendezését és a számításokat! Látszik, hogy
Salgótarjánban nem tervezünk beruházást.
Tervezzük meg, hogy honnan hová, mennyit szállítsunk! Zöld színnel jelöltük a változók celláit. A
sorok és az oszlopok összegezve vannak, ahogyan a szállítási feladatban is. Most a zöld területen látszik
a helyes megoldás, de induláskor ezek a cellák általában üresek, vagy valamilyen kezdőértéket is
beírhatunk.
35–36. táblázat. Szállítási terv eredményekkel és képletekkel
További változóink, hogy mely telephelyeket hozzuk létre (yi). Értéke bináris, azaz 1, ha létrehozzuk,
0, ha nem. Tervezzük meg ezek helyét is, és számoljuk ki létrehozásuk költségét (yiqi) is, azaz vegyük
figyelembe, hogy létrehozzuk vagy sem őket. Egyben fogalmazzuk meg a célfüggvényünket, azaz
számoljuk ki a teljes költséget. Most is zöld a változó cellák színe, amelyben már a megoldás látható.
Célfüggvény:
Jelölések:
Nézzünk egy példát erre, amelyet részben Dr. Kinczel Ferenc, a BGF PSZF-i Kar Salgótarjáni
Intézetének docense készített.
Célfüggvény:
Jelölések:
ai: egy Gi-hez tartozó új gép beszerzési és üzembe helyezési költsége (Ft)
ki: egy Gi-hez tartozó új gép amortizációs és üzemeltetési költsége a tervidőszakban (Ft)
R: törlesztőrészlet (Ft/év)
Az eredménnyel azonban még nem lehetünk elégedettek. Meg kell vizsgálnunk a fejlesztés
gazdaságosságát is, azaz hogy a termelésbővítésre fordított pénzt nem lett volna-e jobb pl. a bankban
kamatoztatnunk, vagy ha hitelt vettünk fel, akkor hoz-e annyit, mint amennyit majd a hiteltörlesztésre
fordítunk! Most egyszerűsítsük a feladatunkat, és csak hitelből hajtsuk végre a beruházásunkat!
Nézzük meg, hogyan tudjuk ezt a problémát megoldani:
1. Határozzuk meg az optimális termelési tervet fejlesztés nélkül (x1, ..., xn) H=0, S=0
értékekkel! Jelentése: nincs pénz bővítésre, tehát y1=y2=...ym=0 eredményt kapunk. Ha x1=r1,
x2=r2, ..., xn=rn, akkor minden igény ki van elégítve, bővítésre nincs szükség. Ellenkező
esetben jegyezzük föl a célfüggvény értékét (összes fedezet: F1).
2. Fejlesztéssel (állítsuk be H és S értékét a megfelelő értékre) optimáljunk újra! Jegyezzük fel
a célfüggvény értékét (összes fedezet bővített gépparkkal: F2).
3. Számítsuk ki a fedezet növekményt (ΔF=F2-F1).
4. Rögzített p és N értékekkel számítsuk ki az éves törlesztő részletet (R)! Ha nem találunk
olyan reális p, N értékpárt, ahol ΔF>R, akkor a bővítés nem gazdaságos! R kiszámítását
a RÉSZLET függvénnyel, vagy az annuitás képletével történhet:
R=Hp1+pN1+pN-1
Láthatjuk, hogy most érdemes ezekkel a feltételekkel a beruházást végrehajtani (3200 > 2929).
Még megadunk néhány modellt az Excel munkafüzetben, de kisebb jelentőségük miatt ezen
jegyzetben nem magyarázzuk el. Megértésük az előző példák alapján már elvárható az Excel
munkafüzetből is. Ezek a következők:
• Egyenletrendszer megoldása
• Utazó ügynök problémája
• CPM hálótervezés Solverrel
• pénz,
• munkaerő,
• munkaeszköz,
• anyag.
I.2.1. Anyagbiztosítás
I.2.1. Anyagbiztosítás
I.2.1.1. Az ABC-analízis lényege, Lorenz–Pareto-diagram
I.2.1.2. A készletezéssel kapcsolatos költségek
I.2.1.3. Az anyagrendeléssel kapcsolatos taktikai megfontolások
I.2.1.4. Erőforrás-szükséglet számítása
4. ábra. Lorenz–Pareto-diagram
Forrás: saját szerkesztés
Az anyagféleségek halmozott relatív gyakoriságából látjuk, hogy az első 5 anyag adja ki kb. a 20%-ot,
amit „A” anyagnak szoktunk tekinteni. Az érték statikus rendezése adatokból pedig láthatjuk, hogy
az első 5 anyag az érték 46%-át adja.
A diagram elkészítéséhez jelöljük ki az L4:L30 területet mint az X tengely adatainak értékeit. Jelöljük
hozzá a Ctrl gomb nyomva tartása mellett az I4: I30 területet mint az Y tengely adatait. Készítsünk
belőle egy „Pont görbített vonalakkal” típusú diagramot!
Sajnos az Excel nem ismerte fel szándékunkat. Felcserélte az X és Y adatokat, mert mindig a fizikailag
előbb lévő területet veszi az X tengelyre, és az utána lévőket az Y tengelyre.
Az átló adatait is a fenti két panel segítségével adjuk meg, csak most a „Hozzáadás” gombot hívjuk
meg az „Adatforrás kiválasztása” panelről. Az „Adatsor szerkesztése” ablakban pedig az X és Y
értékeknek is az L4:L30 (X) területet adjuk meg. Formázzuk az elkészített diagramot! Itt egy lehetséges
változatot látunk.
• ár,
• szállítási költség,
• különleges kezelési költség, csomagolás.
• adminisztráció költsége,
• átvételi költség,
• rakodási költség,
• minőség-ellenőrzés költsége.
Hiányköltség:
• termeléskiesési költség,
• good will veszteség (a vevő jóindulatának elvesztése, elmaradt rendelések),
• rendkívüli beszerzési költség,
• késedelmi kötbér,
• adminisztrációs költségek.
Mikor rendeljünk?
• A: akkora mennyiséget, hogy a készlet a tétel beérkezésekor egy előre meghatározott maximális
szintet érjen el (jelöljük ezt Smax-szal, amely igazodhat pl. a raktárkapacitáshoz, vagy a pénzügyi
lehetőségeinkhez)
• B: előre meghatározott, azonos nagyságú (állandó) tételt
Nézzük meg a fenti lehetőségek kombinálását: 1B lehetőség nem alkalmas készletgazdálkodásra.
Egyszerűsége miatt viszont felhasználjuk a következő fejezetben egy determinisztikus modell
nyitókészletének meghatározásához.
I.2.1.3.1. Ciklikus modell
T1=T2
q1≠q2
A ciklus vége előtt „E” idővel készletellenőrzést hajtunk végre. Ez alapján extrapoláljuk a fogyást, ami
alapján megállapíthatjuk a rendelendő mennyiséget.
Alkalmazhatóság:
q1≠q2
T1≠T2
Hátrány: Folyamatos készletellenőrzést igényel. „E” idővel előbb kell a rendelést feladni, ezért
extrapolálási hiba léphet fel.
A 2B lehetőséget kétraktáros modellnek nevezzük. A lényege, hogy akkor rendelünk egy állandó
mennyiséget, amikor a készlet elér egy minimális szintet (Smin – jelzőkészlet).
Smin és q rögzített
q1=q2=állandó
T1≠T2
Hátrány: Erősen ingadozó felhasználásnál kevésbé véd a hiányköltség ellen vagy nagyon
készletigényes.
Alkalmazhatóság:
• azonnali beérkezés,
• azonos rendelési időköz (T),
• hiány nem megengedett.
Jelölések:
0 = C1/2-C3*r/q/q
A cél az, hogy a modell határozza meg a nyitókészlet (M) nagyságát a T időszak elején, amivel adott
megbízhatósággal tud termelni.
Feltételezés:
M = nyitókészlet
T = az időintervallum hossza
Feltételezés:
• a beérkező tételeknél legalább q mennyiséget szállítanak egyszerre
• a beérkezések ideje egyenletes eloszlású
• a felhasználás egyenletes és ismert
M = nyitókészlet
S = a felhasználás intenzitása
T = az időintervallum hossza
Feltételezés:
M = nyitókészlet
S = a felhasználás intenzitása
T = az időintervallum hossza
Az ember számára jól áttekinthetők a gráfos (hálós) megjelenítési formák. Célszerű először ilyen
módon ábrázolni a gyártási folyamat anyagkapcsolatát.
Vegyünk egy példát. Legyen négy alapanyagunk (A1, A2, A3, A4), két félkész termékünk (F1, F2) és egy
termékünk (T). Nézzük meg a gyártási kapcsolatukat (mihez miből mennyi kell) hálós technikával
ábrázolva az alábbi bal oldali ábrán!
8–9. ábra. Gyártási kapcsolat hálós technikával és mátrixos megjelenítési móddal
Forrás: Dr. Kinczel Ferenc, Számítógépes termelésirányítás diasorozat
A nyíl iránya mutatja a beépülési irányt. Az élekre írtuk egy négyzetbe, hogy hány darab épül be az
alsóbb szintről a felsőbb szintre egy darabra vetítve.
Nézzük meg az előző anyagbeépülési sémánkat mátrixos technikával ábrázolva a fenti jobb oldali
ábrán!
Jelen esetben a mátrix az oszlopban jelzett cikkhez adja meg azt, hogy a sorokban lévő cikkekből
hány darab épül belé. Érdemes alaposan összevetni és értelmezni a gráfos és mátrixos ábrázolási
technikát, hogy a kettő egymásba alakítása soha ne okozzon gondot.
Jelölések:
Tehát az y-t ismerjük, mint célt, és keressük az x-et, amelyhez a K ismert. Az x értékét kétféleképpen
is kiszámolhatjuk: x = (E-K)–1y = Sy
Az S értékét úgy számoljuk ki, hogy addig vesszük a K mátrix hatványait, amíg az tartalmilag nulla
nem lesz. Majd ezeket a hatvány mátrixokat összeadjuk az E mátrixszal.
Most elég a 3. hatványig elvégezni a hatványra emelést, mert a 4. hatvány eredménye már csak
nullákat tartalmaz. Nézzük meg Excelben a megoldást!
A 4. hatvány eredménye már csupa nulla, ezért ez nem kell, csak megnézzük.
57. táblázat. A 4. hatvány eredménye
Érdemes észrevenni, hogy a szerkesztőlécen látható képlet kapcsos zárójelben íródik ki. A {} jeleket
nem mi írtuk be, hanem a tömbképlet beírása során az Excel jelenítette meg, de csak akkor, ha
helyesen jártunk el a beírása során.
Ennek 2 feltétele van. Az egyik az, hogy a tömbképlet beírása előtt már ki kell jelölnünk a
tömbképlet számára szükséges területet. A terület nagyságát a függvény súgója is megadja. Azért
nevezzük tömbképletnek, mert az eredmény egy tömb.
A második feltétele, hogy a beírást nem a szokásos módon fejezzük be (pl. az Entert leütve), hanem
a Ctrl és Shift gombot folyamatosan nyomva tartjuk, és így ütjük le az Entert vagy függvény esetén a
„Kész” gombot!
Az alkalmazott képlet: x = Kx + y
Az alkalmazott képlet: x = (E – K) – 1y
A TIR alapelemei:
Az irányítónál érvényesül az úgynevezett szűrőelv. Azaz, ha az eltérés egy meghatározott szint alatt
van, akkor saját hatáskörben intézkedik, ha e fölött van, akkor jelenti a magasabb termelésirányítási
szintre.
Méréselmélet, számskálák:
A mérésnél fontos a méréselmélet ismerete. Egy kicsit ebbe is belenézünk. A mérés definíció szerint
azt jelenti, hogy számokat rendelünk eseményekhez meghatározott törvényszerűség szerint.
A számskálák lehetnek:
• egyedi gyártás,
• sorozatgyártás,
• tömeggyártás.
Tömegszerűségi mutató meghatározása: Mint előbb láttuk, a gyártási típus tömegszerűség alapján
csoportosít. Legtöbbször megelégszünk az egyedi, sorozat- és tömeggyártás kategóriákkal. Létezik
azonban egzaktabb és részletesebb megadási módja is ennek, amelyet a következőkben részletezzünk.
Tömegszerűség Sorozatnagyság
• Lineáris
• az alapanyag-készletösszetétel egyszerű
• a félkésztermék-készletösszetétel egyszerű
• a késztermék-készletösszetétel egyszerű
• Konvergens
• az alapanyag-készletösszetétel bonyolult
• a félkésztermék-készletösszetétel változó
• a késztermék-készletösszetétel egyszerű
• Komplex
• az alapanyag-készletösszetétel bonyolult
• a félkésztermék-készletösszetétel bonyolult
• a késztermék-készletösszetétel bonyolult
• Nehézipari
• Bányászati
• Kohászati
• Gépipari
• Vegyipari
• Építőipari
• Magasépítészeti
• Mélyépítészeti
• Feldolgozóipari
• Textilipari
• Élelmiszeripari
• Gyógyszeripari
• stb.
• stb.
CAST – Computer Aided Storage and Transport – számítógéppel segített raktározás és szállítás
MES – Manufacturing Execution System – gyártást végrehajtó rendszer vagy másként: valós idejű
termelésirányítás
• Patriarchális (atyáskodó, családias): Kis szervezeteknél fordul elő, amíg a vezetésben nincs
munkamegosztás. A vezető és a beosztott közt közvetlen emberi viszony alakul ki.
• Lineáris (vonalas, skálás, katonai): A vezetési szervezet következetesen csak a hierarchia elvén épül
fel. Az egyszemélyi vezetés alá-fölé rendeltségi sorozata alkotja.
• Funkcionális: A vezetési munkamegosztás nemcsak a hierarchikus szinteknek felel meg, hanem a
szakmai feladatkörök szerint is alakul (pl. termelés, értékesítés, pénzügy). Az alsóbb szinteken
többszörös alárendeltség jön létre.
• Törzskaros: A vezetési szervezetben a vezető mellé szakmai szerveket rendelnek. A törzskar
azonban nem vezet, nem dönt, csak döntés-előkészítést végez.
• Divizionális: A munkamegosztás tárgyi vagy regionális elvű. A szervezetet általában termékek,
vevők vagy földrajzi régiók szerint tagolják. A divíziók a vállalaton belüli viszonylag autonóm
felelősséggel rendelkező egységek. Profitközpont, költségközpont áll felettük. A divíziók
kijátszhatják egymást.
• Mátrix: Az elsődleges munkamegosztás szintjén két munkamegosztási elvet egyszerre alkalmaznak.
Többdimenziós szervezeti forma (pl. funkció-régió, funkció-tárgy…).
A vezetés alapformái:
• Autokratikus: Szigorú alá-fölé rendeltség jellemzi. A vezető birtokol minden információt, a döntés-
előkészítésbe másokat nem von be.
• Demokratikus: Az alá-fölé rendeltség súlya csökken. Az együttműködés válik a kapcsolat
meghatározójává. A vezető megosztja hatáskörét. A döntések előkészítésébe bevonja az érdekelt
munkatársait, tájékoztatja őket a szervezet ügyeiről.
• Liberális: Abból indul ki, hogy mások is értelmes emberek, és a beosztottak a legjobb tudásuk szerint
hajtják végre feladataikat. A vezető csak a sorsdöntő, stratégiai döntések meghozatalát tartja fenn
önmagának.
A szervezeti hierarchia kialakításánál törekedni kell arra, hogy a beosztottak száma 7±2 legyen (Miller-
szám), ugyanis kb. egy 7 átlagos embert számláló csoportot tud átlátni egy átlagos személy.
Felelősségi szintek:
• Általános felelősség: azé a vezetőé, aki irányítja és vezeti a cselekvő felelősségű dolgozót.
• Cselekvő felelősség: azé az egyéné, aki közvetlenül felel a funkció végrehajtásáért.
• Specifikus felelősség: azé, aki a funkció egy részéért tartozik felelősséggel.
• Megkonzultálandó felelősség: az egyént, ha a döntés az ő területét érinti, fel kell szólítani, hogy
adjon tanácsot, mondjon véleményt, de enélkül határozatot hozni, dönteni nem szabad.
• Megkonzultálható felelősség: felhasználható arra, hogy az egyén bizonyos kérdésekkel
kapcsolatban írjon, mondjon véleményt, de ezt nem feltétlenül szükséges megtenni.
• Közlendő felelősség: tevékenységéről tájékoztatást kell adnia az egyénnek.
• Jóváhagyandó felelősség: az egyénnek jóvá kell hagynia, illetve kifogásolnia kell a döntést.
II.2.1. Fogalmak
Üzemfenntartáson a vállalati szerveknek azokat a tevékenységeit értjük, amelyek az üzemi épületek
és építmények állagának megóvására és a berendezések üzemképességének megtartására irányulnak.
Egzakt értelmezés: A megbízhatóság annak mérésére szolgáló számadat, hogy egy termék
(berendezés) meghatározott időn belül meghatározott feltételek mellett milyen valószínűséggel
üzemképes.
A működés valószínűsége:
Egy berendezést n alkalommal figyelünk meg. A megfigyelés eloszlása egyenletes eloszlás. Két
eseményt láthatunk:
az esemény gyakorisága.
a meghibásodás valószínűsége.
Üzemi értelmezések:
• Milyen valószínűséggel képes a rendelkezésre álló hasznos időalap alatt a kapacitás tervezett
kihasználásának megfelelően üzemelni a rendszer? (az üzemvezető nézőpontja)
• Milyen valószínűséggel képes a rendszer folyamatosan, meghibásodás nélkül működni két
nagyjavítás közt? (a TMK vezető nézőpontja)
• Milyen valószínűséggel képes a technológiai rendszer a technológiai előírásoknak megfelelően
termelni? (a technológus nézőpontja)
• üzemzavar-érzékenység:
ta – kényszerű állásidő
tü – üzemidő
• hasznosítási együttható:
• üzemzavar-együttható:
ni – az adott berendezés meghibásodásából származó üzemzavarok száma
R(t) = P(ξ ≥ t)
Előfordul, hogy a meghibásodás valószínűsége csak egy „c” idő elteltével lesz nagyobb nullánál. Ekkor
F(t) = 1-e-λ(t-c) Ez az úgynevezett eltolásos alak.
II.2.3.3.2. Weibull-eloszlás
24. ábra. A meghibásodási ráta jellegzetes időbeli alakulása egy berendezés élettartama alatt
Weibull-eloszlás segítségével
Forrás: saját szerkesztés
II. szakasz: állandó működési periódus, hasznos élettartam (csak véletlen meghibásodások fordulnak
elő)
III. szakasz: elöregedési szakasz (a szép „teknő” alakot, akkor kapjuk, ha b>2, de a növekedés b>1 alak
esetén is érzékelhető, ahogyan az előtte lévő ábrán látható)
A második esetben még nem tudjuk számítani a rendszer megbízhatóságát az elemek megbízhatósági
függvényének ismeretével. Szükség lenne ismerni az elemnek a többi elem meghibásodására
vonatkoztatott meghibásodásának feltételes valószínűségét. Ebben az esetben az egyes elemek
megbízhatóságát a Bayes-tétellel lehet számítani. Ilyen információkhoz elméletileg hozzájuthatunk
ugyan, de ez a gyakorlatban legtöbbször kivitelezhetetlen, túl költséges lenne. A másik lehetőség az,
hogy a rendszert olyan alrendszerekre bontjuk, amelyek már egymástól függetlennek tekinthetők.
• sorosan,
• párhuzamosan.
Soros felépítésű rendszerről akkor beszélünk, ha bármelyik elem meghibásodása a rendszer
meghibásodását vonja maga után.
A rendszer megbízhatósága:
• meleg tartalék: ugyanolyan üzemeltetés alatt áll, mint az alapelem, annak funkcióját bármely
pillanatban képes átvenni,
• hideg tartalék: kikapcsolt állapotban van, bizonyos idő szükséges az üzembe állításához,
• teljesítménytartalék: ha az elem a névleges teljesítményénél kisebb teljesítménnyel üzemel,
• konstrukciós tartalék: ugyanarra a funkcióra két megoldást is alkalmaz, pl. keverőlapát és keringető
szivattyú,
A rendszer megbízhatóságát külső tényezők is befolyásolhatják:
• technológiai kapcsolat,
• energiakimaradás,
• természeti tényezők (hőmérséklet, páratartalom stb.).
• gépkarton,
• műszaknapló.
Szükséges adatok:
• meghibásodás oka,
• meghibásodás időpontja,
• meghibásodás időtartama.
A kvalitatív vizsgálat célja, hogy megítéljük a berendezés műszaki állapotát. Meg kell állapítanunk,
hogy a berendezés melyik működési periódusában van.
II. szakasz: állandó működési periódus, hasznos élettartam (csak véletlen meghibásodások fordulnak
elő)
III. szakasz: elöregedési szakasz (a szép „teknő” alakot, akkor kapjuk, ha b>2, de a növekedés b>1 alak
esetén is érzékelhető)
Ha a λ (meghibásodási ráta) állandó, akkor a meghibásodások száma és az addig eltelt idő közt lineáris
kapcsolat van. A kapcsolat szorosságát lineáris regresszióval is lehet vizsgálni.
A dátumokat dátum formában be is lehet írni. Az „A” oszlopban meg is hagytuk a beírás szerinti
formátumformát. A „B” oszlopot azonban a rendezettebb kinézet miatt átformáztuk. A számok
alapértelmezésben „Általános” formával rendelkeznek. A cellák számformázásának ablakát a
„Kezdőlap” menüszalag „Szám” csoportjának jobb alsó sarkában lévő „Számformátum” ikonnal vagy a
cella helyi menüjének „Cellaformázás…” parancsával hívhatjuk meg. Az itt látható dátumformákat a
beírás során is alkalmazhatjuk, vagy később e szerint átformázhatjuk a beírt adatainkat. Egyéni
formátumot is beállíthatunk az „Egyéni” kategóriában, mint azt az alábbi ábrán láthatjuk.
Az „A” és „B” oszlopban most az adott dátum sorszámát láthatjuk, 1900.01.01-jétől sorszámozva a
napokat.
A 20. sorban a meghibásodási rátát (λ) számoltuk ki, hogy összehasonlíthassuk majd az
exponenciális eloszlás közelítésével kiszámolt λ értékkel. Ott 0,0377 jön majd ki, tehát elég közeli az
ittenihez, amely 0,0363. A λ értékét úgy számoltuk ki, hogy a vizsgált időszak meghibásodásainak
számát elosztottuk a hibamentes működési idők összegével. Lásd a fenti képen. Az irodalom gyakran
használja a meghibásodások közötti átlagos működési idő fogalmát is, amelyet úgy számol ki, hogy a
működési idők összegét osztja a meghibásodások számával. Ennek reciproka a λ.
A képernyő jobb oldalán megjelenő munkaablak paramétereit az alábbi szerint állítsuk be, amit a
lenti két munkaablak képen is láthatunk:
Ha pontosabban akarjuk látni a trendvonal paramétereit, akkor rendeljünk hozzá több tizedesjegyet.
Érdemes felismerni, hogy az egyenlet meredeksége a megbízhatósági ráta (λ) egy közelítése. Ezzel
háromféle módon is közelíthetjük a megbízhatósági rátát, amelyek igen jó egyezést mutatnak:
A három érték közül feltehetőleg a 3. áll legközelebb a valósághoz, mivel az r értéke az exponenciális
eloszlásnál magasabb (0,9976, ami igen erős, majdnem függvényszerű kapcsolatot jelez), mint a
lineárisnál (0,9749), míg az első érték pedig inkább a 2. értékhez áll közelebb.
Fontos észrevennünk, hogy a LIN.ILL képletet tartalmazó cella beírása (lásd a szerkesztőlécen) most
más, mint ahogyan megszoktuk Excelben. A képlet kapcsos zárójelek közt jelenik meg. Ez a tömbképlet
jelölése. A tömbképletet azért nevezzük tömbképletnek, mert az eredmény egy tömb. Itt az E23:F27
terület az eredmény helye. Az alábbi ábrán látjuk a képleteket.
Fontos tudnunk, hogy a tömbképletekkel való munkát mindig azzal kell kezdenünk, hogy kijelöljük a
megfelelő nagyságú eredményterületet. Tehát először kijelöljük az E23:F27 területet, majd utána
hívjuk meg a szerkesztőléc gombját, amelyet „Függvény beszúrása” gombnak nevez az Excel. A
LIN.ILL függvényt kiválasztva, annak paramétereit az alábbi módon állítjuk be:
Szintén nagyon fontos különbség a tömbképletek alkalmazásánál a többi képlethez képest, hogy a
végén nem egyszerűen az Entert leütve vagy a „Kész” gombra kattintással fejezzük be a számítást,
hanem a Ctrl és Shift gombot nyomva tartjuk az egyik kezünkkel, majd a másikkal vagy az Entert ütjük
le, vagy a „Kész” gombra kattintunk. A tömbképlet javításának befejezése is csak így történhet.
A megkapott 10 cella értelmezését vagy a LIN.ILL függvény ablakának bal alsó sarkában lévő „Súgó
a függvényről” szövegre kattintással kaphatjuk meg, vagy megnézhetjük a fenti, LIN.ILL
alkalmazásának első ábráját, ahol az értelmezést leírtuk. Itt találhatjuk az „r” értékét is, amely
0,974936302. Ez a mellette lévő leírásból is leolvashatóan nagyon szoros kapcsolatot jelent, azaz jó a
lineáris közelítés, tehát berendezésünk a II. működési periódusában van. Ezért alkalmazhatjuk ezen
adatokra a statisztikai számításokat (itt már csak véletlen meghibásodások fordulnak elő). Emiatt ezen
adatokat még több helyen is fel fogjuk használni.
Azokat az értékeket, melyek a tartományba esnek, elfogadjuk. A tartományon kívül eső értéket nem
fogadjuk el, okát keressük és kiküszöböljük.
Nézzük meg az előző adatainkkal, hogyan tudjuk Excelben elkészíteni a fenti statisztikai ellenőrző
kártyát!
74–75. táblázat. Statisztikai ellenőrző kártya elkészítése Excelben eredményekkel és képletekkel
A GYAKORISÁG függvény képes egy halmazt szétválogatni és megadni, hogy hány adata esik
bizonyos csoportokba. Ez is tömbképlet, tehát fontos, hogy betartsuk a lineáris regressziónál
ismertetett LIN.ILL függvénynél leírt tömbképletek kezelési elveit:
A F3:J9 területből készítsük el az alábbi vagy egy ahhoz hasonló „Pont” diagramot.
35. ábra. Statisztikai ellenőrző kártya pontdiagrammal
Forrás: saját szerkesztés
A statisztikai ellenőrző kártyából is láthatjuk, hogy csak véletlen meghibásodások fordultak elő a
vizsgált időszakban.
A kapacitásnál a hasznos időalapot (naptári időalap – TMK ideje) vesszük figyelembe, amelyet a
kapacitásnormával szorzunk meg.
A Kolmogorov–Szmirnov egymintás próba azt vizsgálja, hogy egy adott minta származhat-e egy
bizonyos elméleti eloszlásból. A próba a kumulált gyakoriságok összehasonlításán alapul.
A próba lépései:
• A kiinduló hipotézis alapján kiszámítjuk az elméleti kumulált eloszlást, F0(t). Az elméleti eloszlás
paramétereit regresszió számítással határozhatjuk meg. Exponenciális eloszlásnál a λ közvetlenül
is számítható (meghibásodások száma/∑meghibásodások közt eltelt idő), vagy a gyártó cég
ajánlatát is elfogadhatjuk.
• A minta értékei alapján kiszámítjuk a tapasztalati kumulált eloszlás értékeit, F(t). Lásd a lenti
célszerű táblázatforma szerint.
• Ha maxF0t-F(t)≤Dm, akkor a kiindulási hipotézis igaz.
Sor- t: két meghibásodás közt F0(t): (1 – e-λt) a F(t): t időn belül történt |F0(t)
szám eltelt működési idő meghibásodás elméleti meghibásodások relatív – F(t)|
növekvő sorrendben valószínűsége t időn gyakorisága
belül
1 1/N
2 2/N
… …
N N/N
A működési időket (C3:C19) jelöljük ki és másoljuk a vágólapra. Kattintsunk az A23-as cellába, hogy
ide szeretnénk majd beilleszteni, de csak az értékét!
négyzetét (a kijelölt cella jobb alsó sarkában lévő fekete kis négyzet) a Ctrl gomb nyomva
tartásával húzzuk a B39-es celláig.
Jelöljük ki az A23:A38 és a Ctrl segítségével a C23:C38 területet együtt. A 39. sorban lévő utolsó
adatot nem tudjuk felhasználni, mert a C39-es cellában látható 0 megbízhatóság nem fogadható
el, hiszen valamilyen megbízhatósága mindig van, csak nagyon kicsi. de nem nulla! Az Excel sem tudna
ezzel az adattal exponenciális közelítést végezni! Lehetne persze a 0 érték helyett valamilyen kis
értéket beírni, de a beírt érték nagysága a közelítést erősen befolyásolja, ezért tanácsosabb
egyszerűen elhagyni.
A függvény egyik pontjára kattintva, a helyi menüből hívjuk meg a „Trendvonal felvétele…”
menüpontot, ahogyan azt már a lineáris regressziónál leírtuk.
Az eredményünk meg is van, a λ=0,0377. Ráadásul az r értéke is rendkívül magas, nagyon szoros
kapcsolatot jelez.
Érdemes a feladatot megoldanunk az Excel LOG.ILL függvényével is, ahogyan a lineáris regressziónál
tettük a LIN.ILL függvénnyel (lásd ott a részletes értelmezést és végrehajtást is):
A LOG.ILL függvény a következő alakban közelít: y=bmx. Ha a grafikonunkon lévő alakkal jobban
összevethetővé akarjuk tenni, akkor érdemes a következő alakra alakítani: y=beln(m)x. Így a λ a LOG.ILL
esetében az ln(m) érték lesz, amit az E33-as cellából olvashatunk le. A „b” értékére előírtuk a
„Konstans” paraméter 0 értékre állításával, hogy 1 legyen. Lásd az alábbi ábrán!
Az Excelben lehetőség van a lineárisra visszavezetett alak LIN.ILL-el történő megoldására. Ennek
használatát egyébként is érdemes tudni, ezért nézzük ezt meg.
A H24 cellában látjuk az m visszatranszformált értékét, még az I24-ben a b-ét. A H23-ban pedig a λ
értékét olvashatjuk le. Az m és b paraméterek értéke tehát mindhárom módszerrel azonos. Az
R2 értéke a LIN.ILL és a LOG.ILL-nél megegyezik, 0,99522.
Az előző példát folytatjuk tovább, annak adataira és számításaira építkezünk. Kiegészítjük azzal a
vizsgálattal, hogy helyes volt-e adatainkra feltételezni az Exponenciális eloszlást? Az eddigi
számításainkból ez feltételezhető, hiszen az előző fejezetben az exponenciális közelítésnél kapott
R2 értéke (0,99522) igen magas, de ellenőrizzük le a próbával is a 2.4.7.1. fejezet elvei alapján. Az alábbi
Excel képek alapján láthatjuk, hogy 5% szignifikanciaszintre helyes volt a hipotézisünk. Megnézve a
kritikus értékek táblázatát a Kolmogorov–Szmirnov egymintás próbához (lásd a következő fejezetben),
láthatjuk, hogy a táblázat 20, 15, 10, 5 és 1%-os szignifikanciaszintjeire is igaz a hipotézis! A 17-es
mintanagyság sort kell néznünk! Itt minden érték nagyobb, mint a kiszámított legnagyobb eltérés
(0,087811216) az elméleti és a tapasztalati kumulált értékek közt!
85–86. táblázat. Kritikus értékek a Kolmogorov–Szmirov egymintás próbához – ereményekkel és
képletekkel
Érdemes megnézni a D23-es cella tartalmát, =E20<=E21, ahol egy logikai kifejezésként vizsgáljuk meg,
hogy az elméleti és a tapasztalati eloszlás közti maximális eltérés (E20-as cellába lett kiszámítva a MAX
függvény segítségével) kisebb egyenlő-e a Dm-nél, a kritikus értéknél! A Dm értékét a következő
fejezetben található táblázatból írtuk be az E21-es cellába, a 17-es mintanagyság és 5%
szignifikanciaszint alapján. Az E22:E23 területre pedig begépeltük ez alapján a következtetésünk
szövegét, amely szerint helyes volt az exponenciális eloszlás feltételezése az adatainkra.
Szignifikanciaszint vagy elsőfajú hiba jelentése (jele alfa vagy p): Annak valószínűsége, hogy ugyan a
null hipotézis (H0) igaz, de mégis elvetjük. Jelen esetben annak a valószínűsége, hogy jó az
illeszkedésünk, de mégis elvetjük.
87. táblázat. Dm kritikus értékei a Kolmogorov–Szmirnov egymintás próbához
A mi példánkban csak egy elemből álló rendszert vettünk, így ezt a lépést nem kell most
végrehajtanunk.
Különböző ciklusidőket határozhatunk meg attól függően, hogy milyen javítási munkákat,
meghibásodásokat veszünk figyelembe a vizsgálat során.
Ez az alak már lineárisnak tekinthető. Ha a következő jelöléseket bevezetjük, akkor ez jobban látszik:
Az „a” értékét a lineáris regresszió elvégzése után vissza kell transzformálni a következő képlet
szerint: a = eB
Egy figyelmeztető üzenetet kapunk, amelyet elolvasva, az OK gombbal léphetünk tovább. Mivel a
letöltendő állomány tömörített (modszertan.zip), ezért érdemes a megjelenő ablak „Megnyitás”
gombjával megnyitni. Attól függően, hogy milyen programmal (Windows „Tömörített mappa”,
WinRAR vagy más) csomagoljuk ki, eltérhet a következő néhány lépés. „Megnyitás” helyett a „Mentés”
gombbal menthetjük le a tömörített állományt. Mentés esetén a kisebb állományméret miatt
könnyebb az állomány másolása, elvitele. Később ki kell majd csomagolni a használathoz.
A célértékkeresés meghívása előtt célszerű az N20-as cellán lenni, mert így azt a „Célcella” beviteli
mezőbe be is írja. Ha nem az N20-as cellán állunk, akkor ezt meg kellene adni. Célértéknek 0,5 vagy
50%-ot adjunk meg, mert ezt szeretnénk az N20-as cellában látni a számítás végén. Módosuló
cella pedig a t cellája, amely most az N21-es. Az „OK” gombra kattintva megadja a „Célérték állapota”
ablakban, hogy talált-e megoldást. Most talált. Fogadjuk el. Az N21-es cellában leolvashatjuk a
keresett t értékét, amely kb. megegyezik (csak közelítő számítást végez) az előző módon kiszámolt t
értékkel.
Mindhárom számítással ugyanazt a 18 napos ciklusidőt kapjuk. A Solver kicsit pontosabb, mint a
célértékkeresés, de a gyakorlat szempontjából ennek itt nincs jelentősége.
A feladat egy rendszer időegységre eső állásidejének minimalizálása. Ez nyilván csak akkor
elfogadható, ha a véletlen leállás nem jár az időveszteségen túl egyéb lényeges veszteséggel.
• Ha a rendszeren nem végeztünk TMK-t, akkor a véletlen meghibásodások összes ideje az időben a
következő egyenlettel írható le:
tLJ(t) = atb
b – konstans, b>1, azaz progresszív folyamatról van szó, vagyis a meghibásodások összes ideje t-ig
egyre jobban nő, ha késlekedünk a TMK-val. (Ha nem így lenne, azaz nem progresszív a folyamat, akkor
nem is érdemes TMK-t végeznünk, hiszen nem nő egyre hatványozottabban a meghibásodás miatti
leállás ideje, tehát nem járunk rosszabbul, ha csak a véletlen meghibásodások miatti javítási idővel
számolunk.)
• A TTMK, a TMK időtartama független a τ ciklusidő józan mérvű környezetében. A τ a két TMK közt
eltelt idő (üzemelés + TMK ideje).
A TF-et válasszuk független változónak, amelyet jelöljünk csak t-vel. A „min z” helyett használjuk az „y”
jelölést, mint a függő változó megszokott jelölését.
43. ábra. Két tag ábrázolása
Forrás: saját szerkesztés
Az ábrát és az egyenletet elemezve megállapíthatjuk, hogy topt létezik és a, b, TTMK értékétől függ.
Értékét a függvény első deriváltjából kaphatjuk meg a következő lépéseken át:
A lineáris regressziónál már ismertetett módon az egyik adatpontra kattintunk a jobb egérgombbal,
és a helyi menüből meghívjuk a „Trendvonal felvétele…” menüpontot. Az alábbi módon
paraméterezzük:
A közelítést érdemes elvégezni a LIN.ILL segítségével is. Ehhez a hatványfüggvényt linearizálni kell. A
hatványfüggvény: y=axb. Linearizált alakját logaritmizálással kapjuk meg: lg(y)=lg(a)+blg(x). Jelölhetjük
és írhatjuk így is: Y=A+BX. Tehát az x és y változóknak a logaritmusát kell vennünk (lásd az F és G
oszlopban a példa elején). Célszerű itt is a tízes alapú logaritmust választani, mert így könnyebben
vissza tudjuk transzformálni a lg(a)-ból az „a” értékét. Lásd az alábbi ábrákon a K5-ös cellában.
Láthatjuk, hogy az „a”, „b” és az R2 értéke mindkét esetben megegyezik. A LIN.ILL-nél azonban
könnyebb vele továbbszámolni.
Az r értékét is kiszámolhatjuk: 0,9367 (K7), amely elég szoros kapcsolatot mutat. A „b” értéke
nagyobb, mint egy, ezért használhatjuk a modellt, kiszámolhatjuk az optimális ciklusidőt.
Az egyenlet bonyolultságát alapul véve most nagyon jól használható a célértékkeresés vagy a Solver.
A TTMKidőt 0,5 napnak vesszük. Az alábbi ábrákon láthatjuk az alkalmazott képleteket, illetve a
célértékkeresés és a Solver paraméterezését.
A számítás könnyedsége miatt érdemes más TTMK idővel is kipróbálni a számítást. Pl. 1 napnál a
ciklusidő 102 napra nő.
a – konstans, a>0
b – konstans, b>1
• A TTMK, a TMK időtartama független a τ ciklusidő józan mérvű környezetében. A τ a két TMK közt
eltelt idő.
A két feltétel logikailag azonos az előző feladat (rendszerre vonatkozó) feltételeivel, de itt ez a
gyakorlatban lényegesen erősebb megszorításként fogható fel.
TLJ – a vizsgált időszakból várhatóan ennyi lesz az elem váratlan meghibásodások miatti állásideje: tLJ(t)
= atb
Ennél a feladatnál azonban célszerű figyelembe venni, hogy a TMK-ra nem kerül sor minden ciklus
végén, hiszen a véletlen meghibásodás miatt már a TF időn belül történhet karbantartás, ahol az elem
TMK-ját is elvégezhetjük. Ezt a következőképpen vehetjük figyelembe:
A függvény túl bonyolult és túl sok paramétert tartalmaz ahhoz, hogy általánosan elemezni érdemes
legyen. Ezért a szélsőérték létezését mindig ellenőrizni kell a konkrét esetben.
Nézzük meg Excelben a megoldást az előzőekben már használt adatokra. A célérték keresése vagy
a Solverismét nagyon jól jön, mert analitikusan nemigen lehet megoldani a fenti egyenletet. A λ, e, a,
b és a TTMK értékét az előző számításokból vettük át, csak idemásoltuk az értéküket, ahol lehetett, ott
a cellájára hivatkoztunk:
• Közvetlen költség
Egy feladat időegységre eső közvetlen költsége jelentősen függhet a végrehajtás idejétől. (Nagyobb
létszámmal, több költséggel rövidebb idő alatt is elvégezhető ugyanaz a tevékenység.)
52. ábra. A közvetlen költség alakulása a feladat végrehajtási idejének függvényében
Forrás: saját szerkesztés
A PERT/COST lépései:
Legkorábbi ↓ Legkésőbbi ↑
Esemény Különbség
bekövetkezés
1 0 0 0
2 2 2 0
3 7 7 0
4 15 15 0
5 13 15 2
6 15 15 0
7 21 21 0
8 23 23 0
9 23 23 0
10 28 28 0
Nézzük meg, hogy az egyes szegmenseket hol tudjuk elhagyni, illetve azt is, hogy megéri-e ez!
Az egyes szegmensek elhagyását jelöljük az időrövidítési tényező aláhúzásával, hogy jobban lássuk,
melyeket vettük már figyelembe.
A 7. lépésnél látjuk, hogy ez már költségnövekedéssel jár, ezért itt abbahagyjuk a folyamatot és a 6.
lépést vesszük optimális megoldásnak.
II.3. Anyagmozgatás
II.3.1. Fogalmak
II.3.2. Az anyagmozgatás összefüggései a gyártási típusokkal,
gyártási rendszerekkel
II.3.3. Az anyagmozgatás területei
II.3.4. Az anyagmozgatás időszükségletének meghatározása
II.3.5. Az anyagmozgató berendezések kiválasztásának kérdései,
a Combinex módszer
II.3.6. A Guilford-féle súlyszámképzés
II.3.1. Fogalmak
Az anyagmozgatás magába foglalja a vállalat összes alap- és segédanyag, félkész- és késztermék,
valamint berendezés helyzetének megváltozásával kapcsolatos valamennyi mozgatási műveletét.
Fogalmak:
• ingajárat,
• sugaras járat (több ingajárat),
• körforgalmi rendszer.
Eszközei: targoncák, teherautók stb.
Ezzel a több szempontú döntéselmélet foglalkozik. Számos modellt dolgoztak már ki az alternatívák
összehasonlítására. Ezek közül néhány: Harris és Marting, Kesselring, Combinex, KIPA, AHP.
Egyszerűsége miatt a Combinex módszert nézzük meg.
A különböző minősítéseket általában egy 1 és 5 közötti skálán értékelik. A skála persze lehet 1 és
100 közötti vagy más tartomány is. A különböző jellemzőket súlyértékkel célszerű ellátni.
Nézzük meg a módszer egy lehetséges megvalósítását Excelben az alkalmazott képlettel együtt!
106–107. táblázat. A Combinex módszer egy lehetséges megoldása Excelben eredményekkel és
képletekkel
A sorrend ilyen módon való kialakítása előnyös, mert a későbbi változások rögtön átvezetődnek a
sorrendben is. Hátránya viszont, hogy azonos pontszám esetén mindig az első ilyen pontszámú
alternatívát írja ki ezen pontszámokhoz. Ilyenkor célszerű az azonos pontszámú alternatívák
átpontozása. Ha így sem sikerül különbséget tennünk két alternatíva közt, akkor a módszer
hiányossága miatt kézzel kell mellé írnunk, hogy mely alternatívák az azonos pontszámúak.
A pontszámok megadásához gyakran elég, ha egy szakértői csoport átbeszéli, és ez alapján adnak
pontszámokat.
Bizonyos esetekben azonban ezt objektívebbé és akár automatikussá is lehet tenni. Ilyen eset, ha
pl. a berendezések ára számszerűleg is ismert. Meghatározhatjuk a legnagyobb és a legkisebb közötti
különbséget. Ezt feloszthatjuk pl. 5 egyenlő részre (de más eloszlást is követhetne a felosztás). Ezekhez
rendelhetünk pontértéket, amely alapján már objektívebben is pontozhatjuk az egyes alternatívákat.
Ügyes elrendezés esetén az FKERESfüggvényt is használhatjuk a pontszám kikereséséhez.
=(F4-MIN($F$4:$F$11))/(MAX($F$4:$F$11)-MIN($F$4:$F$11))*4+1
=(MAX($C$4:$C$11)-C4)/(MAX($C$4:$C$11)-MIN($C$4:$C$11))*4+1
A 4 a skála terjedelme: jelen esetben: 5-1. A +1 a végén pedig a legkisebb pontszám. Ezek persze
feladattól függően változhatnak.
A módszer külön előnye, hogy ilyenkor ritkábban fordulhat elő azonos végpontérték két
alternatívára, hiszen a legtöbb helyen törtértékes pontokat kapunk.
A szakértő figyeljen arra, hogy ha a sorban lévő fontosabb az oszlopban lévőnél, akkor 1-et, egyébként
0-át írjon a sárgával jelzett cellákba. Az átlóba nem kerül érték.
Növeli a módszer hatékonyságát, ha a szakértőktől nem közvetlenül a fenti mátrix kitöltését kérjük,
hanem egy véletlenszerűen összeállított párosítási listát adunk nekik (Ross-féle optimális
párelrendezés), hogy abban jelöljék be a kettő közül a jobbikat. Ebből mi készíthetjük el a fenti mátrix
elrendezést.
A képletből látható, hogy 0 ≤ K ≤ 1. K minél közelebb van az 1-hez, annál következetesebb a szakértő.
Most 100%-ban következetesek voltunk, de nézzük meg, hogy egy következetlenség esetén (E47,
pirosan kiemelve) mi az értéke!
Általában K > 80–90% estén fogadjuk el az értékelő vizsgálatát. Mivel kicsi a minősítő tételek száma,
most ezt is elfogadjuk.
Célszerű volna még több embert felkérni a preferenciamátrix kitöltésére, de most megelégszünk
ezzel a kettővel. Jele m = 2 (C73).
Az alkalmazott jelölések:
p = preferenciaarány:
Irodalomjegyzék
Dr. Gaál Zoltán (1979): A megbízhatóságelmélet alkalmazása a vegyipari karbantartás
szervezésben. Kézirat, Veszprémi Vegyipari Egyetem, Veszprém
Dr. Gaál Zoltán (1979): A vegyipari anyagmozgatás szervezése. Kézirat, Veszprémi Vegyipari
Egyetem, Veszprém
Dr. Kinczel Ferenc (2011): Számítógépes termelésirányítás diasor. Salgótarján,
Letölthető: www.pszfsalgo.atw.huhonlap „Letöltések” füléről
Dr. Kinczel Ferenc (1994): Szervezéstechnológia. Kézirat, Pénzügyi és Számviteli Főiskola,
Budapest, 1994
Rádi György: Infoprog Excel versenyfeladatok megoldással. Salgótarján, 1998–2011.
Letölthető: www.pszfsalgo.atw.hu honlap „Letöltések” füléről
Rádi György (2010): Módszertan. Salgótarján, Letölthető: www.pszfsalgo.atw.hu honlap
„Letöltések” füléről a „Könyveinkhez kapcsolódó tananyagok, mintafeladatok” csoportból a
„Számítástechnikai mintafeladatok (2005) könyv” sorra kattintás után
Rádi György (2014): Számítógépes termelésirányítás. TÁMOP-4.1.2 A1 és a TÁMOP-4.1.2 A2
könyvei, Budapest, Letölthető: www.tankonyvtar.hu
Rádi György (2012): Szervezési módszerek Excel példatár. Budapest.
Letölthető: www.pszfsalgo.atw.hu honlap „Letöltések” füléről
Rádi György (2012): Szervezési módszerek jegyzet, Budapest,
Letölthető: www.pszfsalgo.atw.hu honlap „Letöltések” füléről
Rádi György: Vegyipari üzem vizsgálata veszteségfeltárás céljából. Diplomadolgozat, Veszprémi
Vegyipari Egyetem, Veszprém, 1981
www.pszfsalgo.atw.hu honlap „Letöltések” füléről szabadon letölthető PDF formátumú könyvek
és a könyvekhez tartozó segédletek, Salgótarján, 1993–2012
Veszprémi Vegyipari Egyetem előadás és gyakorlat jegyzetei 1976 és 1981 között
A feladatok megoldása
frissíteni!