Lilianna WA NA Pawe KU DOWICZ Uniwersytet Zielonogórski ZASTOSOWANIE MODELOWANIA I WNIOSKOWANIA ROZMYTEGO DO OCENY EFEKTYWNO CI WDRO ENIA SYSTEMU ERP APS W REDNIM PRZEDSI BIORSTWIE PRODUKCYJNYM 1. Wst p Systemy APS (Advanced Planning and Scheduling Zaawansowane planowanie i harmonogramowanie) stanowi now generacj systemów o znacznie udoskonalonej funkcji planowania i sterowania zasobami przedsi biorstwa w obszarze produkcji i logistyki ni konwencjonalne systemy klasy ERP (Enterprise Resource Planning Planowanie zasobów przedsi biorstwa) [4-5]. Oferowane na rynku oprogramowania modu y APS w postaci rozwi za zintegrowanych w ramach systemu ERP (ERP APS), wykorzystuj c dane z ERP, umo liwiaj optymalizacj produkcji i procesów logistycznych, symulacje oraz planowanie i harmonogramowanie w czasie rzeczywistym. S u planowaniu i wsparciu procesów decyzyjnych oraz realizacji ekonomicznych celów przedsi biorstwa [2, 4-6, 9]. Zauwa a si, e producenci oferuj cy tego typu rozwi zania dla rednich przedsi biorstw produkcyjnych poszukuj metod, które pozwol oceni efektywno planowanego wdro enia oferowanego przez nich narz dzia. Poniewa proces wdro enia systemu ERP APS jest inwestycj informatyczn o du ym stopniu z o ono ci, d ugotrwa, kosztown, wymagaj c wielu przygotowa przedsi biorstwa i dobrej organizacji prac, bez których staje si przedsi wzi ciem wysoce ryzykownym [1, 3, 5, 7], przeprowadzenie wdro enia w przedsi biorstwie niedostatecznie do tego przygotowanym grozi nawet upadkiem firmy. Wymusza to potrzeb opracowania takiej metody oceny efektywno ci planowanego przedsi wzi cia wdro eniowego, która uwzgl dni aktualny stan przygotowania przedsi biorstwa do wdro enia z istniej cymi ograniczeniami wdro eniowymi i informacjami, jakie przygotowania przedsi biorstwo ma ju za sob, a jakie musi jeszcze poczyni i ile czasu na to potrzebuje. Proponowane w pracy podej cie dotyczy opracowania metody umo liwiaj cej rozwi zanie nast puj cego problemu decyzyjnego. Dane jest przedsi biorstwo produkcyjne redniej wielko ci o znanych wska nikach ilo ciowych i jako ciowych oraz znanym stanie przygotowa do wdro enia zintegrowanego
150 Lilianna Wa na, Pawe Ku dowicz systemu informatycznego. Dany jest system informatyczny klasy ERP APS o znanych mo liwo ciach funkcjonalnych i wymaganiach technicznych. Poszukiwana jest odpowied na pytanie: Czy przygotowanie danego przedsi biorstwa do wdro enia, realizacja wdro enia i eksploatacja danego systemu informatycznego, pozwoli osi gn wybrane wska niki przedsi biorstwa w zadanym terminie i bud ecie, przy znanych ograniczeniach wdro eniowych? Celem prezentowanej pracy jest przedstawienie modelu opisanej sytuacji decyzyjnej oraz elementu procedury oceny efektywno ci planowanego przedsi wzi cia wdro eniowego, jaki stanowi koncepcja prognozowania warto ci wybranych wska ników przedsi biorstwa z wdro enia systemu ERP APS, na podstawie zrealizowanych wdro- e, z wykorzystaniem modelowania i wnioskowania rozmytego. 2. Model decyzyjny oceny efektywno ci wdro enia systemu ERP APS Dla rozwa anej sytuacji decyzyjnej utworzony zosta model zaprezentowany na rysunku 1, w którym sposób wdro enia, poprzez okre lenie czynno ci zwi zanych z planowanym przedsi wzi ciem wdro eniowym wraz z ich wzajemnym nast pstwem, definiowany jest wraz z systemem. Wyodr bnione zosta y czynno- ci przygotowawcze do wdro enia oraz pozosta e czynno ci wdro eniowe. Przyk adowymi czynno ciami przygotowawczymi s : przygotowanie danych i sprawdzenie ich jako ci, przygotowanie zmian organizacyjnych w przedsi biorstwie, kadry oraz infrastruktury technicznej rodowiska testowo-rozwojowego, sprz towo-programowego i teleinformatycznego. Rys.1. Model decyzyjny oceny efektywno ci wdro enia systemu ERP APS
Zastosowanie modelowania i wnioskowania rozmytego do oceny 151 3. Koncepcja prognozowania wska ników przedsi biorstwa z wdro enia systemu ERP APS, z wykorzystaniem modelowania i wnioskowania rozmytego Dysponuj c danymi dotycz cymi opisu stanu przygotowania przedsi biorstwa do wdro enia i jego wska ników w chwili T_0 oraz planowanego stanu przygotowania i wdro enia w kolejnych okresach (jak pokazano w tabeli 1), poszukiwana jest prognoza wska ników przedsi biorstwa w tych okresach. Tabela 1. Dane opisuj ce stan przedsi biorstwa Aktualny i planowany stan przygotowania i wdro enia Wska niki przedsi biorstwa Okres czasu T_0 T_1 T_2 T_3 Przygotowanie danych Sp1_0 Sp1_1 Sp1_2 Sp1_3 Obieg dokumentów Sp2_0 Sp2_1 Sp2_2 Sp2_3 Zakup serwera Sp3_0 Sp3_1 Sp3_2 Sp3_3 Ilo zlece zreal. w terminie W1_0 W1_1=? W1_2=? W1_3=? Wykorzystane zdolno ci W2_0 W2_1=? W2_2=? W2_3=? Liczba nadgodzin W3_0 W3_1=? W3_2=? W3_3=? Do sporz dzenia poszukiwanej prognozy proponuje si wykorzystanie danych tego rodzaju z wdro e danego systemu w przedsi biorstwach tej samej klasy, na podstawie których dokonuje si ustalenia istniej cych regu pomi dzy danymi z okresu poprzedniego i nast pnego, stanowi cych podstaw dla przeprowadzenia wnioskowania rozmytego. Przyk adowe dane, na podstawie których poszukiwana jest prognoza wska ników W1 i W2, zamieszczono w tabeli 2. Dane te po przygotowaniu dla ustalania regu modelowanego systemu (o wej ciach x i wyj ciach y) przedstawiono w tabeli 3. Poni ej zaprezentowano istot proponowanej procedury post powania. Tabela 2. Przyk adowe dane z wdro e systemu ERP APS Przedsi biorstwo A Przedsi biorstwo B T1 T2 T3 T4 T5 T6 T1 T2 T3 T4 T5 T6 T 1 2 3 4 5 6 1 2 3 4 5 6 Sp1 0 1 1 1 1 1 0 1 1 1 1 1 W1 3 4 9 19 36 62 1 2 7 17 34 60 W2 2 1 1 1,5 3 7,5 8 4 4 6 12 30 W3 1 2 1 3 2 3 3 4 4 5 5 2
152 Lilianna Wa na, Pawe Ku dowicz 3.1. Filtracja próbek pomiarowych metod wykresów redniej rozmytej Etap filtracji próbek pomiarowych wej cia/wyj cia modelowanego systemu polega na okre leniu istotnych wej modelu za pomoc metody wykresów redniej rozmytej opracowanej przez Lin i Cunninghama [8]. Po przeprowadzonej, zaproponowan metod, filtracji dla przyk adowych danych pomiarowych z tabeli 3 otrzymano wyniki zamieszczone w tabeli 4, z których wynika, e najistotniejszymi wej ciami dla modelowania s : x1, x3 i x4. Tabela 3. Dane pomiarowe przygotowane dla modelowania Przedsi biorstwo A Przedsi biorstwo B T1 T2 T3 T4 T5 T6 T1 T2 T3 T4 T5 T6 x1 1 2 3 4 5 6 1 2 3 4 5 6 x2 0 1 1 1 1 1 0 1 1 1 1 1 x3 3 4 9 19 36 62 1 2 7 17 34 60 x4 2 1 1 1,5 3 7,5 8 4 4 6 12 30 x5 1 2 1 3 2 3 3 4 4 5 5 2 y1 4 9 19 36 62 1 2 7 17 34 60 y2 1 1 1,5 3 7,5 8 4 4 6 12 30 Tabela 4. Wyniki filtracji metod wykresów redniej rozmytej dla danych z tabeli 3 Wyniki x1 x2 x3 x4 x5 deltay1 r 58 27,5 60 60 35,5 deltay2 r 16,25 5,62 29 29 19,75 3.2. Samoorganizacja i strojenie parametrów modelu rozmytego geometryczn metod punktów maksymalnego b du bezwzgl dnego Proponowana metoda samoorganizacji i strojenia modeli rozmytych nale y do grupy metod wa nych punktów powierzchni i s u y okre laniu, na podstawie danych pomiarowych, najwa niejszych elementów struktury modelu rozmytego, jakimi s : baza regu i liczba zbiorów rozmytych przyporz dkowanych do poszczególnych wej i wyj modelu. Poniewa liczba regu i parametry funkcji przynale no ci zale od odwzorowania wej cia/wyj cie realizowanego przez modelowany obiekt, nie mog by okre lane z góry niezale nie od obiektu (por. [8]). Poni ej przedstawiona zosta a skrótowa wersja algorytmu modelowania metod punktów maksymalnego b du (por. [8]) oraz wyniki jego dzia- ania dla przyk adowych danych pomiarowych z tabeli 5.
Zastosowanie modelowania i wnioskowania rozmytego do oceny 153 Tabela 5. Przyk adowe dane pomiarowe rzeczywistego systemu y1=x1 2 x1-2 -1 0 1 2-1,2 0,8 1,9 1,8 y1 4 1 0 1 4 1,44 0,64 3,61 3,24 A) Okre lenie hiperczworo ciennego modelu bazowego M0 metod wyj cia poza przestrze rozwa a. W przypadku jednego wej cia wystarczy umie- ci regu y w punktach pomiarowych o minimalnej i maksymalnej warto ci wej cia, czyli dla rozwa anego przyk adu punkty P1=(-2,4) P2=(2,4). Punkty te okre laj jednocze nie parametry a1, a2, b1, b2 funkcji przynale no ci pokazanych na rysunku 2a),b). Rys. 2. Funkcje przynale no ci modelu rozmytego B) Dostrojenie modelu bazowego na podstawie próbek pomiarowych za pomoc rozmytej sieci neuronowej. W trakcie nauczania sieci neuronowej reprezentuj cej okre lony model bazowy strojeniu podlegaj parametry b1, b2 wed ug zasady wstecznej propagacji b du i metod gradientowych. Po dostrojeniu b1 = 1,5, b2 = 2,6. C) Okre lenie b du modelu bazowego E0. W przypadku wystarczaj cej dok adno ci zako czenie modelowania, w przeciwnym razie kontynuacja modelowania (etap D). B d modelu bazowego E0 pokazano na rysunku 3. redni bezwzgl dny b d modelu M0 po dostrojeniu wynosi 1,299, a bez dostrojenia 1,897 model M0_B.
154 Lilianna Wa na, Pawe Ku dowicz Dok adno modelu M0 po dostrojeniu 5 4 3 2 1 0-4 -2 0-1 2 4 y1 y1 z M0 E0-2 -3 Dok adno modelu M0 bez dostrojenia (M0_B) 5 4 3 2 1 0-4 -2-1 0 2 4-2 -3-4 -5 y1 y1 z M0_B E0 Rys. 3. Dok adno modelu M0 D) Umieszczenie 2 regu w punktach ekstremum b du modelu bazowego E0 model b du E0M. Dla modelu M0: P3 = (-2; 2,5) i P4 = (0; -2,05), a dla modelu M0_B: P5 = (0, -4). E) Dostrojenie parametrów funkcji przynale no ci modelu b du E0M na bazie próbek b du modelu bazowego E0. B d modelowany jest funkcjami przynale no ci z rysunku 2c), o m1 = -2 b1e = 2,5, m2 = 0, b2e = -2,05 (M0) i m3 = 0, b3e = -4 (M0_B). Dostrojone parametry to: d1 = 0,64, l1 = 2,8, d2 = 1,15, l2 = 3,8 oraz d3 = 1,49, l3 = 3,4. F) Utworzenie modelu M1 (suma M0 i E0M). W przypadku wystarczaj cej dok adno ci zako czenie modelowania, w przeciwnym razie okre lenie residuum b du E1 i kontynuacja modelowania a do osi gni cia zadowalaj cej dok adno ci. B d redni bezwzgl dny M1: 0,41, M1_B: 0,13. Modelowanie kontynuowano jeszcze dwukrotnie uzyskuj c redni b d bezwzgl dny 0,029 (M) oraz 0,032 (M_B). 3.3. Wnioskowanie rozmyte W celu uzyskania prognozowanych warto ci y1 na podstawie danych wielko ci x1 wykorzystano ustalony model M oraz M_B. Wyniki dla przyk adowo wybranych wielko ci x1 z przedzia u [-2, 2] pokazano na rysunku 4.
Zastosowanie modelowania i wnioskowania rozmytego do oceny 155 Wyniki wnioskowania rozmytego 4,5 4 3,5 3 2,5 2 1,5 1 0,5 0-3 -2-1 -0,5 0 1 2 3 y1 y1 z M y1 z M_B Rys. 4. Wyniki wnioskowania rozmytego za pomoc modeli M i M_B 4. Podsumowanie Przedstawiona w pracy koncepcja wskazuje mo liwo wykorzystania modelowania i wnioskowania rozmytego do oceny efektywno ci planowanego przedsi wzi cia wdro eniowego, w zakresie prognozowania wybranych wska ników, z uwzgl dnieniem istniej cego stanu przygotowa przedsi biorstwa do wdro enia systemu ERP APS. Proponowana procedura jest przedmiotem dalszych bada. Bibliografia: 1. Adamczewski P.: Zintegrowane systemy informatyczne w praktyce, Wyd. MIKOM, Warszawa 2000. 2. Gunther H. O., Tempelmeier H.: Produktion und Logistik (5. Aufl.) Berlin: Springer, 2003. 3. Grudzewski W. M., Hejduk I. K., Metody projektowania systemów zarz dzania, Wyd. Difin, Warszawa 2004. 4. Kluge P. D., Ku dowicz P., Andracki S.: Multi-resource-planning and realtime-optimization based on proalpha APS solution, [w:] Automation 2005: Automatyzacja nowo ci i perspektywy: konferencja naukowo-techniczna. Warszawa 2005. 5. Kluge P.D., Ku dowicz P., Orzeszko P.: Controlling wspomagany komputerowo z wykorzystaniem systemu ERP, Oficyna Wydawnicza Uniwersytetu Zielonogórskiego, Zielona Góra 2005, s. 92-104. 6. Maciejec L.: ERP nowe oblicze, CIO Magazyn dyrektorów IT, 1/2005, (http://cio.cxo.pl/artykuly/46129.html). 7. Patalas J., Banaszak Z.: Wdra anie systemów klasy ERP w MSP. Model procesu decyzyjnego, [w:] Koncepcje zarz dzania systemami wytwórczymi (red. M. Fertsch, S. Trzcieli ski), Politechnika Pozna ska, Pozna 2005 (Monografia), s. 73-79.
156 Lilianna Wa na, Pawe Ku dowicz 8. Piegat A.: Modelowanie i sterowanie rozmyte, Akademicka Oficyna EXIT, Warszawa 1999, s. 368-402. 9. Rutkowski K. (red.): Logistyka on-line. Zarz dzanie a cuchem dostaw w dobie gospodarki elektronicznej, 2000.