DOKTORI (PHD) ÉRTEKEZÉS
FABULYA ZOLTÁN
KAPOSVÁRI EGYETEM GAZDASÁGTUDOMÁNYI KAR
2010
KAPOSVÁRI EGYETEM GAZDASÁGTUDOMÁNYI KAR Matematika és Fizika Tanszék
A doktori iskola vezetője
PROF. DR. UDOVECZ GÁBOR az MTA doktora, egyetemi tanár
Témavezető
DR. BÁNKUTI GYÖNGYI PhD egyetemi docens Társ-témavezető
DR. habil. CSUKÁS BÉLA CSc egyetemi docens
KÖLTSÉGGAZDÁLKODÁSI, SZERVEZÉSI ÉS MINŐSÉGMEGŐRZÉSI FELADATOK MEGOLDÁSA AUTOKLÁVOS KONZERVIPARI ÜZEM PÉLDÁJÁN
Készítette
FABULYA ZOLTÁN
KAPOSVÁR
2010
TARTALOMJEGYZÉK
BEVEZETÉS ................................................................................................ 5 A DISSZERTÁCIÓ CÉLKITŰZÉSEI....................................................... 8 1.
IRODALMI ÁTTEKINTÉS .............................................................. 10 1.1. Az élelmiszeripar és a konzervgyártás ........................................ 10 1.1.1. A konzervgyártás ................................................................... 11 1.1.2. Hőkezelés ............................................................................... 14 1.1.2.1.
Hőkezelési
egyenértékek,
a
hőkezelés
idő
és
hőmérséklet szükségletének számítása ........................ 16 1.2. Modellezés és szimuláció ............................................................... 19 1.2.1. Definíciók............................................................................... 20 1.2.2. A modellezés és a megismerési folyamat .............................. 21 1.2.2.1. Megfigyelés ................................................................ 24 1.2.2.2. Modellezés .................................................................. 25 1.2.2.3. Programozás .............................................................. 26 1.2.2.4. Szimuláció .................................................................. 26 1.2.2.5. Érvényesítés ............................................................... 27 1.2.2.6. A megismert rendszer leírása..................................... 29 1.2.3. A modellek csoportosítása ..................................................... 29 1.2.4. Számítógépes modellezés, szimuláció ................................... 32 1.3. Optimalizálás ................................................................................. 33 1.4. Hőkezelési folyamat modellezéséről, optimalizálásáról megjelent tudományos eredmények .............................................................. 38 2.
ANYAG ÉS MÓDSZER ..................................................................... 41
2.1. Módszer szimulációs modell és optimalizáló algoritmus fejlesztésére .................................................................................... 43 2.1.1. A modellt meghatározó összetevők........................................ 44 2.1.1.1. A hőkezelés erőforrásigényének adatai...................... 44 2.1.1.2. Fűtőgőz és hűtővíz kapacitásának adatai .................. 47 2.1.1.3. A modellező eszköz, az Excel és a Visual Basic for Application .................................................................. 48 2.1.2. Szoftverfejlesztés .................................................................... 48 2.1.2.1. Ütemezés megvalósítása ............................................ 48 2.1.2.2. A program menüszerkezete ........................................ 50 2.1.2.3. A gépi ütemezés alapja............................................... 52 2.1.2.4. A gépi ütemezés algoritmusa...................................... 55 2.1.2.5. A modell és a program adaptálhatósága ................... 56 3.
EREDMÉNYEK .................................................................................. 58 3.1. Ütemezetlenség hatása a termék minőségére .............................. 59 3.2. Egyenetlen kazánterhelés veszteségének vizsgálata ................... 64 3.2.1. Speciális gázdíj-fizetési szabályok költségei ......................... 64 3.2.2. A kazán terhelés-hatásfok jelleggörbéjének elemzése ......... 66 3.3. Költségcsökkentés gyártásprogramozással ................................. 71 3.3.1. Gyártósori termékütközés ...................................................... 71 3.3.2. Autoklávkapacitást meghaladó terv ...................................... 73 3.3.3. A múszakok eltérő hőigénye.................................................. 74 3.4. Rendszer kifejlesztése egy vállalat számára................................ 75 3.4.1. Adatelőkészítés, elemzés ........................................................ 76 3.4.2. Egy hőkezelési folyamat gőzszükségletének modellezése..... 83 3.4.2.1.
A
gőz
tömegáram
matematikai
modelljének
meghatározása ............................................................ 85 2
3.4.2.2. A matematikai modell paramétereinek beállítása...... 87 3.4.2.3. A paraméterek beállításához kialakított szimulátor .. 87 3.4.3. A szoftverrendszer terve......................................................... 91 3.4.3.1. Szoftverkörnyezet ....................................................... 92 3.4.3.2. Kezelőfelületek, főbb funkciók ................................... 93 3.4.4. A program működésének alapja ......................................... 100 3.4.4.1. A kialakított adatbázis.............................................. 101 3.4.4.2. A szimulátor tervezése.............................................. 102 3.4.5. A szoftver egyes részletei ..................................................... 105 3.4.5.1. Gyártósori termékütközés ellenőrzése ..................... 106 3.4.5.2. Hőkezelési kapacitás ellenőrzése ............................. 107 3.4.5.3. Műszakok gázfelhasználásénak egyenletessége ....... 109 3.5. A program futtatási tapasztalatai .............................................. 110 3.5.1. Műszakok kiegyenlített kazánterhelése............................... 110 3.5.2. Költségcsökkentés a hőkezelések ütemezésével .................. 112 4.
KÖVETKEZTETÉSEK, JAVASLATOK ...................................... 115
5.
ÚJ TUDOMÁNYOS EREDMÉNYEK ........................................... 119
ÖSSZEFOGLALÁS ................................................................................. 120 SUMMARY............................................................................................... 123 KÖSZÖNETNYÍLVÁNÍTÁS ................................................................. 126 IRODALOMJEGYZÉK .......................................................................... 127 A DISSZERTÁCIÓ TÉMAKÖRÉBŐL MEGJELENT PUBLIKÁCIÓK ................................................................................ 140
3
A DISSZERTÁCIÓ TÉMAKÖRÉN KÍVÜLI PUBLIKÁCIÓK......... 145 SZAKMAI ÉLETRAJZ ........................................................................... 150
4
BEVEZETÉS A minőség növelése elsődleges szempontként jelenik meg az élelmiszeripari
kutatásokban.
Jelentősen
elősegítették
a
fogyasztók
biztonságos termékkel ellátását a „minimal processing”, azaz a kíméletes feldolgozási eljárások kidolgozása területén végzett alkalmazott kutatások (Biacs, 1998; Goldberg, 1994; Kiss, 2000; Farkas, 2001). Követendő cél, hogy minél kisebb beavatkozás, kezelés, tartósítás érje az élelmiszert, hogy megőrizze eredeti tulajdonságát, élvezeti- és tápértékét. Mindemellett a fogyasztók igénylik, hogy a termék könnyen kezelhető és hosszú ideig tárolható legyen, asztalra kerülése minél kevesebb konyhatechnikai tevékenységet
igényeljen,
biztonságos
legyen,
mentes
legyen
betegséghordozó mikroorganizmusoktól, tartósítószerektől (Bíró és Bíró, 2000). A hőkezelés mikrobiológiai veszély elhárítására szolgál, így teszi lehetővé a hosszú eltarthatóságot. Ezért pontos műveleti előírások szabályozzák a megfelelő munkavégzést, melyek megsértése súlyos következményekkel is járhat. A művelet élelmiszer-biztonsági szempontból kritikus pontnak tekinthető. A veszély elhárítása akkor hatékonyabb, ha nagyobb mértékű a hőkezelés, vagyis az alkalmazott hőmérséklet és/vagy a beavatkozás időtartama. Minőségromlás következik be túlbiztosított hőkezeléskor. Az élelmiszer érzékszervi sajátosságait, állományát, ízét, illatát érheti súlyos károsodás (felületi elszíneződés kenőmájasoknál, lé eresztés és zselé kiválás húsoknál, pürésedés, stb.). Az élelmiszer-biztonság egy olyan komplex feltételrendszer, melynek teljesülése esetén az elfogyasztott élelmiszer nem ártalmas az egészségre, nem rontja az 5
életminőséget és nem okoz kárt a fogyasztónak, nem csökkenti munkaképességét (Biacs, 2003). A minőség a biztonságnál szélesebb fogalom (tápérték, élvezeti érték), de nem nélkülözheti a biztonságot. Azon feltételek teljesítését jelenti, amelyek a piaci értékesíthetőség alapjául szolgálnak, piaci értéket képviselnek. A piacon kizárólag a biztonságos áru forgalmazható (Biacs, 2005). A hőkezelés műveleti előírásait ezért úgy kell meghatározni, a szabályozást pedig úgy kell kialakítani, hogy a művelet mindkét cél követelményeit nagy biztonsággal kielégítse. A konzervek hőkezelése, különösen húskonzervek esetén nagy energiaigényű folyamat, mivel sterilezéssel, 120 °C körüli, hosszú időtartamú
hőhatással
jár.
Mindeközben
a
természeti
erőforrások
felhasználásának csökkentése is fontos szempontként jelenik meg. Ez, a korábban energiatakarékosságnak nevezett tevékenység ma már kibővül a környezet menedzsment új rendszerszemléletével, a fenntartható fejlődés elvével, terméket,
azaz
kevesebb
vagy
több
energiafelhasználással
termelni
terméket
fajlagosan
előállítani
ugyanannyi kevesebb
energiafelhasználás mellett (Kerekes és Szlávik, 1996). Bár ezeknek (pl. víz, elektromos és hőenergia) a felhasználásoknak a csökkentése nyilvánvaló költségcsökkentést,
gazdaságosság
javulást
eredményez,
nehéz
keresztülvinni a megvalósítást az üzemekben, mert az elszámolás pótlékolva, átlagosan történik. Nem tesznek különbséget a valós felhasználás alapján, így a pazarlások, túlzott mértékű felhasználások nem mutathatók ki egyértelműen, mint ahogy a minőségi javulás és a beltartalmi érték növekedése sem. A termékek minősége és a költséghatékony termelés érdekében mérnöki számításokat, modellezést, számítógépes szimulációt érdemes bevonni a témakör kutatásába. Olyan munkaszervezést kell kialakítani, mely 6
garantálja a mikrobiológiai szempontból biztonságos termék előállítását, az előírások pontosabb betarthatóságát a magasabb minőség és alacsonyabb költségek érdekében. Ehhez szükséges olyan informatikai háttér, mely a kutatási eredmények alapján támogatást nyújt a megfelelő munkaszervezés kialakításában. Mindez a kor igényeinek megfelelő felhasználóbarát kezelőfelületekkel,
szimulációs
optimalizáló
technikával,
előrejelző,
problémafeltáró szolgáltatásokkal biztosítható, egyúttal rugalmas bővítési lehetőségekkel tehető meg.
7
A DISSZERTÁCIÓ CÉLKITŰZÉSEI A konzervek minőségét, gazdaságosságát (az alapanyag minősége, recept
jósága,
gyártósorok
milyensége,
mint
adottságok
mellett)
hőkezelésük, ennek munkaszervezése határozza meg. A nem kellő körültekintéssel megtervezett gyártásütemezés minőségi problémákhoz és jelentős költségnövekedéshez vezethet. Ennek számítógépes támogatása ma Magyarországon még nem gyakorlat. Fő célom a konzervgyártásban autokláv csoportot alkalmazó technológiák esetében egy szimulációra támaszkodó programrendszer készítése, mellyel csökkenthető a hőkezelés közvetlen költsége és megelőzhető a termék minőségi károsodása. Ehhez további részfeladatok, vizsgálatok szükségesek, melyek eredményeit be kell építeni a rendszerbe: •
Az ütemezés és a termék minősége közötti összefüggések vizsgálata. A gyártósorról érkező konzervek hőkezelése a jelenlegi üzemi gyakorlatban ütemezetlenül történik. A labor körülmények között megszületett optimális hőkezelési előírások rátartásokat tartalmaznak az üzemi környezetben biztonságos betarthatóság miatt. De e túlbiztosításra kevésbé lenne szükség a párhuzamosan zajló hőkezelési folyamatok összehangolásával, s ekkor az előírások betarthatósága is rövidebb idejű hőhatást eredményez, mely a termék minősége szempontjából is kedvező.
•
A hőkezeléshez szükséges gőzt előállító gázfűtésű kazán terhelésfüggő hatásfok jelleggörbéjének szimulációs elemzése. Ennek segítségével megtalálhatók az optimális üzemeltetés feltételei, és kiszámítható az ebből adódó költségcsökkenés. 8
•
A nagyfogyasztókra vonatkozó speciális gázdíj elszámolási módhoz alkalmazkodó költségcsökkentési lehetőségek vizsgálata. A nagyfogyasztók a felhasznált gázmennyiség díján felül egy lekötési díjat is fizetnek, ami az óránként felhasználásra jelzett maximális mennyiséggel arányos. Ennek túllépése további magas költségekkel jár.
•
Adatbázis kialakítása a szimulációs optimalizáló, ütemező program adatellátottságához. Mivel üzemi körülmények között mérőberendezések installálására nem volt lehetőségem, így több esetben a mérések hiányát matematikai, modellezési eszközökkel kellett helyettesítenem.
•
Kísérleti program kifejlesztése, és a heti gyártási terv problémáit feltáró és előrejelző szoftverkomponensek kialakítása. Ennek célja az optimalizálási funkciót ellátó algoritmus megtalálása, tesztelése, ezáltal megfelelő alap biztosítása egy üzemi adaptációhoz a program paraméterezhetőségével. Valamint a heti gyártási terv problémáit feltáró komponens segítségével módosítási javaslattétel.
9
1.
IRODALMI ÁTTEKINTÉS
Kutatási témám tárgyalása több szakterület speciális ismeretét követeli meg: •
konzervgyártás
technológiája
élelmiszerbiztonsági
szempontból
a
kapcsolódó
fontos
hőkezelés
méretezési és autoklávüzemeltetési ismeretekkel, •
modellezési
és
szimulációs
technikák
számítógépes
programok fejlesztéséhez, •
optimalizálási
lehetőségek
és
algoritmusok
különös
tekintettel a gyakorlati, számítógépes megvalósíthatóságra.
Mivel ezek egymástól távolálló témakörök, ezért a jobb érthetőség érdekében először külön-külön mutatom be a további tárgyaláshoz szükséges ismereteket, eddigi eredményeket.
1.1. Az élelmiszeripar és a konzervgyártás Az élelmiszergazdaság új kihívások előtt áll. Az élelmiszer termelés és feldolgozás globális stratégiai jelentősége egyre nyilvánvalóbb a világméretű élelmiszerigény ugrásszerű növekedése és az élelmiszer előállítás ezzel szemben álló területi, ökológiai korlátai miatt. Az élelmiszer előállítás területén komparatív előnyökkel rendelkező országoknak, mint amilyen Magyarország is, mindent meg kell tenniük annak érdekében, hogy ezt az előnyüket a lehető legjobban kihasználják. A 2008. év második 10
felében kirobbant gazdasági válság kisebb mértékben érintette az élelmiszergazdaságot, mely elsősorban annak tulajdonítható, hogy a válság okozta kereslet csökkenés a legkevésbé éppen az élelmiszergazdaság termékeinél jelentkezik. Ebből adódik, hogy az élelmiszergazdaság stabilizáló tényező lehet a válságkezelésben. Ehhez az élelmiszeripari vállalatoknak fel kell ismerniük és alkalmazkodniuk kell az új körülményekhez, fogyasztói szokásokhoz, és ennek markánsan meg kell jelennie marketing-kommunikációjukban is. Egyre erősödő fogyasztói trendként jelenik meg a gyorsabb ételkészítés lehetősége, a biztonságos és higiénikus alkalmazás, a hosszú szavatossági idő, az állandó jó és ellenőrzött minőség, a széles körű felhasználhatóság, valamint a nem várt, szükséghelyzetek megoldása. Mindezt a konzerv gyártók tudnák leginkább kihasználni, de ehhez az elavult technológia helyett korunk elvárásainak megfelelő modern munkaszervezést kell alkalmazni.
1.1.1. A konzervgyártás A konzervgyártás során többféle terméktípust különböztetünk meg az alkalmazott technológiától függően (Szenes és Oláh, 1991): •
Sterilezett termékek (Teljes konzervek): Olyan termékek, melyet hőkezelés előtt hermetikusan edényzetbe (üveg, fémdoboz, flexibilis csomagolóanyag) zárnak és általában 100 °C felett hőkezelnek. Főbb termékek: üveges, dobozos natúr zöldségkonzervek, készételek, húskonzervek. A hőkezelés során "kereskedelmileg steril" terméket kell előállítani, mely normál hőmérsékleten tárolható.
11
•
Pasztőrözött termékek: Olyan termékek, melyeket töltés után hermetikusan zárnak és általában 100 °C alatt hőkezelnek, pH értékük 4,5 alatt van. Főbb termékek: gyümölcs italok, nektárok, levek, befőttek, dzsemek, saláta öntetek, savanyúságok.
•
Félkonzervek: A félkonzervek alacsony hőmérsékleten hőkezelt termékek, melyeket 5 °C alatt kell tárolni.
•
Aszeptikus termékek: Az előzetesen hőkezelt terméket fertőzést kizáró körülmények között steril csomagolóedényzetbe töltik és hermetikusan lezárják az utófertőzés megakadályozása érdekében. Kereskedelmileg steril termékek. Alkalmas pH 4,5 alatt és 4,5 feletti termékek tartósítására. A továbbiakban a legnagyobb mértékű hőkezelést igénylő sterilezett
termékekkel foglalkozom, s csak a gyártási folyamat közvetlen költségében legfontosabb szerepet játszó hőkezeléssel, amit ebben az esetben sterilezésnek is neveznek. A hőkezelés autoklávban (1. ábra), zárt, nyomástartó berendezésben történik. Álló és fekvő elrendezésűek lehetnek. A feltöltésük sínen begördíthető egységrakományokkal, kosarakkal történik. Működésük során a hőkezelés három fázisának (felfűtés, hőntartás, hűtés) előírás szerinti időtartamát és az elérendő hőmérsékletet automatika vezérli fűtőgőz illetve hűtővíz bevezetésével.
12
1. ábra: Fekvő elrendezésű autokláv a kosár behelyezésekor Forrás: Simpson et al. (2007) A folyamat indítása után korrekcióra nincs lehetőség. Jellemzően több gyártósorról érkeznek kosarakban a termékek. Úgy biztosítható a fajlagosan alacsony költségű kezelés, ha a tele töltethez szükséges mennyiség már rendelkezésre áll az azonos előírással rendelkező termékekből. Általában 10-20 berendezéssel, autokláv csoporttal (2. ábra) tudják biztosítani a gyártás során jelentkező hőkezelési igényt (Eszes és mtsai., 2003).
13
2. ábra: Hőkezelő üzem autokláv csoporttal Forrás: Simpson et al. (2007)
1.1.2. Hőkezelés Az élelmiszerek romlását legnagyobb mértékben a különböző mikroorganizmusok
okozzák.
A
hőkezelés
elsődleges
feladata
mikrobiológiai veszély elhárítása. A magasabb hőmérséklet gyorsabb mikrobapusztulást eredményez, így a biztonság szempontjából egyenértékű lehet egy rövidebb idejű magasabb hőmérsékletű kezelés egy hosszabb idejű alacsonyabb hőmérsékletűvel. E két egyenértékű kezelés azonban eltérő minőségű, élvezeti értékű terméket eredményez, s általában a rövidebb idejű őrzi meg jobban a fogyasztó számára értékesebb jellemzőket. A túl magas hőmérsékletigény viszont gátat szab a kezelés idejének rövidítésében. 14
A magas hőmérsékletű, de rövid hőkezelési idejű kezelés előnye abból adódik, hogy a baktériumok pusztulása és az érzékszervi tulajdonságok változásának sebessége között kb. háromszoros különbség áll fenn. A rövid hőkezelési idő nem teszi lehetővé a viszonylag magas hőmérséklet okozta érzékszervi elváltozások túlzott mértékű előrehaladását (Farkas és mtsai., 1978). Hátrány viszont, hogy ez a technika csak folyadékok és áramlásra képes fluidumok hőkezelésénél alkalmazható. Szilárd, hővezetéssel melegedő termékeknél a felületi hőkárosodás csökkentése érdekében alkalmazzák az alacsonyabb hőmérsékletű, de hosszabb időtartamú kezelést. Ekkor időegység alatt kevesebb hőmennyiség jut be a termékbe, ezáltal a felületről el nem szállított hőmennyiség lecsökken, és így a felületi túlmelegedésből eredő károsodás, hő sokk nem lesz olyan nagymértékű (Eisner, 1979). Termékfajtákként a bennük előforduló mikroorganizmusok alapján meghatározták, hogy egy adott hőmérsékleten (sterilezésnél megállapodás alapján
ez
250 °F=121,1 °C)
hány
perces
hőkezelés
szükséges
mikrobiológiai szempontból a kereskedelmi sterilitás biztosításához, s az így kapott egyenértékek (pl. F érték) alapján méretezhető a hőkezelés (Deák és mtsai., 1980). Eredményként a steril-képletnek nevezett előírás adódik, mely a következő formájú: 30 − 45 − 25 118
(1)
A felső három szám percben jelenti rendre a felfűtés, a hőntartás és a lehűtés idejét, míg az alsó szám az elérendő hőmérséklet °C-ban (Szenes és Oláh, 1991).
15
A steril-képlet meghatározásának gyakorlati problémája, hogy a hőkezelést a konzerv leglassabban felmelegedő pontjára (mag, hideg pont), általában a csomagolás geometriai középpontjára kell méretezni, mivel ha ez a pont megfelelő hőterhelést kapott, akkor az összes többi pont ennél kevesebbet nem kaphatott. Viszont az sem egyértelmű, hogy hol található ez a pont (Flambert and Deltour, 1972; Uno and Hayakawa, 1979; Körmendy és Körmendy, 2007), és a külső hőmérséklet változását hogyan követi a hidegpont hőmérséklete (Campbell and Ramaswamy, 1992).
1.1.2.1. Hőkezelési egyenértékek, a hőkezelés idő és hőmérséklet szükségletének számítása Hőkezelés hatására a mikroorganizmusok pusztulásával csaknem 100 éve behatóan foglalkoznak. Bigelow és munkatársai dolgozták ki a hőkezelés méretezésének alapjait (Bigelow et al., 1920; Bigelow, 1921; Bigelow and Esty, 1921). A legfontosabb mikroorganizmusok nedves hőre bekövetkező pusztulása negatív exponenciális összefüggéssel írható le, mely szerint az egymást követő, azonos hőkezelési időtartamok után a mindenkori kezdeti élőcsíraszámnak mindig azonos hányada marad életben. A tizedre csökkenési időt a D érték jelöli, általában perc mértékegységben, melyet erőteljesen befolyásol a mikroba fajtája, illetve az alkalmazott hőmérséklet nagysága. A D érték csak akkor egyértelmű, ha megadjuk a hozzá tartozó referencia hőmérsékletet (Tr) is, pl. D65 a tizedelési idő 65 °C-on (Novak et al., 2003; Deák, 2006; Zhu et al., 2008). A
mikroorganizmusok
hőmérséklettel.
A
z-érték
hőpusztulási
sebessége
a tizedre csökkenési
változik
időnek
a
(D) egy
nagyságrenddel történő csökkenéséhez tartozó hőmérséklet növekmény °C16
okban (Deák, 2006). Ez az érték teszi lehetővé az eltérő hőmérsékletű és időtartamú hőkezelések összehasonlítását (Kovács, 1997):
DT 10
= DT+ z ⇒
DT DT + z
= 10 ⇒
DT DT + n⋅z
= 10 n
(2)
Mivel T tetszőleges hőmérséklet lehet, ezért Tr = T + n ⋅ z ⇒ n =
Tr − T z
(3)
esetben (2) alapján: DT = 10 D Tr
Tr −T z
⇒ D Tr = D T ⋅ 10
T −Tr z
(4)
Jelölje t a T hőmérsékleten történő hőkezelés időtartamát, ami „m” nagyságrenddel csökkenti az élőcsíraszámot, vagyis:
t = m ⋅ DT
(5)
Ekkor (4) alapján:
m ⋅ D Tr = m ⋅ D T ⋅10
T −Tr z
⇒ F = t ⋅10
T −Tr z
(6)
Vagyis megkapjuk az F egyenértéket, mely azt fejezi ki, hogy a t ideig T hőmérsékleten történő hőkezelés mennyi ideig tartó kezeléssel egyenértékű a referencia hőmérsékleten (sterilezésnél Tr = 121,1 °C = 250 °F). Az F = m ⋅ D Tr összefüggéssel,
(7) vagyis
a
D-elv
alkalamazásával
szokták
meghatározni a hőkezelés során megkívánt F értéket a termékfajtára jellemző
leghőtűrőbb
mikroorganizmus
17
(Clostridium
Botulinum,
D=0,21 perc) esetén. Világszerte elfogadott eljárás, hogy a 4,5-nél nagyobb pH-jú élelmiszerek (mint a húsok) hőkezeléses sterilezésénél egészségügyi szempontból minimálisan olyan hőkezelést követelnek meg, amely a Clostridium botulinum spórák 12 nagyságrendnyi pusztulását idézi elő. Ez az ún. 12D elv (Szenes and Oláh, 1991). Ehhez 12*D percnyi, azaz 121,1 ºC-on 12*0,21=2,52 perces hőkezelési idő szükséges (a Clostridium botulinum spórák F-értéke tehát 2,52 perc). Jellemzően 106 élőcsíraszámról tekintik a hőkezelés indulását grammonként. Ezt 12 nagyságrenddel csökkentve, a 10-6 élőcsíraszám/g azt jelenti, hogy 106 gramm hőkezelt termékben lehet egy élőcsíra. A (6) formulával megadott átszámítási mód F egyenértékre a gyakorlatban nem használható, mert a T maghőmérséklet a hőkezelés során folyamatosan változik. A hőkezelés teljes időtartamát elegendő finomsággal felosztva, az így kapott ∆t időtartamú intervallumokban már tekinthető állandónak a hőmérséklet. Ekkor F kiszámítása a következő, gyakorlatban alkalmazható módon történhet: n
F ≅ ∑10
Ti −Tr z
⋅ ∆t
(8)
i =1
ahol: n - intervallumok száma Ti - az i. intervallumban a hőmérséklet A felosztás finomságát minden határon túl finomítva kapjuk F kiszámításának elméleti összefüggését: tv
F = ∫ 10
T ( t ) −Tr z
dt
(9)
tk
ahol: 18
tk – kezdő időpont, tv – végső időpont, T(t) – maghőmérséklet, mint az idő függvénye. Az F kiszámítási módjával egyezően, de más Tr és z értéket alkalmazva kaphatunk meg további egyenértékeket: tv
F0 , C, E = ∫ 10
T ( t )−Tr z
dt
(10)
tk
F0 az F-értéknek az a speciális esete, amikor z=10 °C-ot alkalmazunk, ami a Clostridium Botulinum spóráknak felel meg. E az enzimaktivitási, míg C a főzöttségi egyenérték. Ez utóbbi akkor fontos, amikor a hőkezeléssel az eltarthatóság biztosításán túl célunk, a termék érzékszervi tulajdonságainak a megváltoztatása. Tehát a kívánatos íz, szín, stb. eléréséhez az előírt C-értéket meghaladó hőkezelés szükséges. Az élelmiszerek hőkárosodása, erős érzékszervi elváltozása is a C-értékkel jellemezhető (Szenes és Oláh, 1991). Tehát a C-érték túl alacsony vagy magas volta is a termék minőségi megítélését rontja.
1.2. Modellezés és szimuláció Az emberiség ősi vágya a környezetében bekövetkező jelenségek okainak feltárása, összefüggések felismerése, folyamatok kiszámíthatósága, előrejelzés, nem kívánt helyzetek elkerülése, vagyis a megismerés. A
megismerés
folyamatának
vannak
egyszerűbb
és
olyan
bonyolultabb esetei is, mikor már szükségünk van modellezésre, szimulációra (Horváth és mtsai., 1987). Ahhoz hogy ezt pontosan, hibás
19
értelmezések nélkül tárgyalni tudjuk, először a modell, modellezés és szimuláció fogalmakat kell pontosan definiálnunk.
1.2.1. Definíciók A modell szó több jelentéssel rendelkezik. Modellnek nevezzük például azt a rendszert, amely egy másik, a modellezett rendszerben végbemenő jelenséghez hasonló jelenséget valósít meg. De egyes termékek mintáit, mint például ruha modell is nevezhetjük modellnek, valamint közlekedési eszközök, épületek kicsinyített másolatát, makettjét, melyek szemléltető célt szolgálnak vagy olyan más eszközöket, amelyek nagyon nagy vagy kicsiny objektum bemutatására szolgálnak például oktatási eszközként (Szűcs, 1976). A természettudományi lexikonban a modell bonyolult fizikai rendszerek egyszerűsített, minden részletében áttekinthető, gyakorlatilag megvalósított, vagy szemléletesen elképzelt, arányosan lekicsinyített vagy felnagyított, matematikailag szabatosan leírható, idealizált mása, amely többé-kevésbé helyesen szemlélteti a vizsgált rendszer vagy folyamat geometriai vagy kinetikai, dinamikai vagy más fizikai illetve sztochasztikus sajátosságait. A modellalkotásnál tudatában kell lenni annak, hogy a modell nem azonos a vizsgált rendszerrel, vagy folyamattal és nem tükrözi maradéktalanul az összes tulajdonságát. A helyesen alkotott modell mégis magán viseli az objektív anyagi világban meglevő rendszer vagy lejátszódó folyamat fontos ismérveit, és így alkalmas a döntő törvényszerűségek feltárására és szemléltetésére.
20
Szűcs Ervin 1996-es könyvében azt a problémát fogalmazza meg a modell
szó
értelmezése
kapcsán,
hogy
még
egyes
tudományos
dolgozatokban is csak, mint formailag hasonlót tudják a modellt elképzelni. Stoff a modellt úgy definiálja, mint olyan eszmeileg elképzelt vagy anyagilag realizált rendszert, amely visszatükrözve vagy reprodukálva a kutatás objektumát képes helyettesíteni (Stoff, 1973). Jelen munkában a modellt, mint a megismerési folyamat fontos eszközét fogom használni, mellyel egy folyamatot lehet bemutatni, elemezni, illetve az adott rendszer működését megjósolni. Az eddigi részletes modelldefiníciók alapján már könnyen tudjuk definiálni a modellezés és szimuláció fogalmakat. A modellezés a modell elkészítésének folyamata. A szimuláció a modell használatának folyamata (Horváth és mtsai., 1987). Ezek után rátérhetünk a modellkészítés tárgyalására, mely a megismerési folyamat egyik fontos része.
1.2.2. A modellezés és a megismerési folyamat A
jelenségek,
folyamatok
megismerésére,
a
kívánt
törvényszerűségek feltárására, legegyszerűbb esetekben elegendő csak megfigyeléseket
végeznünk.
Összetettebb
esetekben
a
kezdeti
megfigyeléseket egy hipotézis felállítása követi, és ezután már célirányos megfigyeléseket végezhetünk a hipotézis elfogadására vagy elutasítására, ezzel a törvényszerűségek és szabályok felállítására. Viszont nem mindig lehet elég hatékony csak passzív megfigyelést alkalmazni. Ezért hipotéziseink tesztelését végezhetjük kísérletekkel, tehát 21
aktív beavatkozásunkkal. Így előidézhetjük azokat a körülményeket, amelyek esetén a valós rendszer viselkedése hatékonyabban megfigyelhető, és
kikényszeríthetőek
azok
a
jelenségek,
amelyeket
megismerni
szándékozunk. Azonban a megismerési folyamatok során nem mindig tehetjük meg, hogy beavatkozzunk egy valós rendszerbe pusztán a megismerési szándékunk miatt. Ekkor már modellt kell készítenünk és ezen elvégezni kísérleteinket, melynek eredményeiből következtethetünk a valós rendszer, folyamat viselkedésére. Fizikai megjelenésű modellt készíteni sokszor nem célszerű, vagy lehetetlen. Ekkor absztrakt modellt alkalmazunk, amit valamilyen módon, például matematikai eszközökkel írhatunk le. Kísérleteinket, melyet szimulációnak nevezhetünk, már az absztrakt modell egy realizációján végezhetjük el (Horváth és mtsai., 1987).
22
Valós rendszer (világ) Megfigyelés Megfigyelt világ Modellezés Modell Programozás Program (számítógépes modell) Szimuláció Szimulált világ Érvényesítés nem
Megfelel? igen
Eredményértékelés
Validált modell Szimuláció Megismert világ
3. ábra: Megismerési folyamat Forrás: Horváth és mtsai., (1987) alapján Az 3. ábrán látható az a ciklikus folyamat, melynek végeredménye a megismerés.
Minden
ciklus
végén
egy
összevetést,
érvényesítést
alkalmazunk, összehasonlítva a modellel szimulált világot a megfigyelt világgal. Modellünket addig módosítjuk, míg a szimulált világ céljainknak megfelelő nem lesz. Az ábrán a téglalapok egy-egy objektumot jelölnek, míg
a
nyilak
azokat
a
tevékenységeinket,
melyek
a
szükséges
transzformációt végzik. A következőkben ezeket a tevékenységeket vizsgáljuk meg részletesebben. 23
1.2.2.1. Megfigyelés A modellezendő rendszer megfigyelése általában mérések útján, adatok formájában jelenik meg. Több célunk is lehet az így megszerzett adatokkal: •
újabb törvényszerűségek felismerése,
•
a rendszer ellenőrzése,
•
a rendszer közvetlen vezérlése.
Az is fontos kérdés, hogy mit figyeljünk meg. A modell létrehozásához első feladatunk a rendszer belső szerkezetének megismerése. Fel kell térképeznünk a rendszer egyes összetevőit, hatóerőit, ezek kapcsolatát és szerepük súlyát a rendszerben. Általában persze van egy előzetes elképzelésünk, hipotézisünk a rendszer működéséről és ennek megfelelő változókat figyelünk meg. Viszont a többi változó figyelmen kívül hagyása azt eredményezheti, hogy így nem rendelkezünk azokkal az adatokkal, amelyekkel a legmegfelelőbben tudnánk leírni a folyamatot, jelenséget. Ha viszont az összes változót mérjük, akkor ez nagyon bonyolulttá teheti a modell elkészítését, ezért célszerű már előzetesen rangsorolnunk a változókat, és megállapítani belőlük a legszorosabb kapcsolatot adókat valamilyen statisztikai eljárással. A későbbi, részletesebb vizsgálatainknál már csak ezekre a változókra kell koncentrálnunk. Újabb fontos kérdés, hogy az összes lehetséges megfigyelésből melyeket
kell,
vagy
célszerű
elvégeznünk.
Megfigyeléseinknek
függetleneknek kell lenniük és úgy kell elvégezni őket, hogy azok ne 24
befolyásolják a vizsgálati rendszert. Tehát az adatok mintavételezését is pontosan, előzetesen meg kell terveznünk (Szűcs, 1996).
1.2.2.2. Modellezés A megfigyelt, mért adatok birtokában egy absztrakt modellt készítünk, melyet rendszerint matematikai eszközökkel írunk le úgy, hogy segítségével a valós rendszer tulajdonságaira következtethessünk. A modell elkészítésekor
először
objektumokat,
amelyeket
meg
kell
meg
határozni kell
a
feleltetni
modellben a
valós
szereplő rendszer
objektumainak. A modell absztrakt objektumait megadhatjuk állapotaikat leíró adataikkal, egyenletekkel. Ezt követi a rendszer állapotváltozását leíró algoritmus elkészítése. A modell kialakításakor tekintettel kell lennünk megfigyeléseink hiányosságára, pontatlanságára. Ha ezt nem vesszük figyelembe, akkor a modellünkből,
amennyiben
nem
csak
szemléltető
modell,
hibás
következtetéseket vonhatunk le a használata során. Abban az esetben, ha a modellezendő rendszerre ható egyes mennyiségeknek nem a konkrét, hanem csak az átlagos értékét, szórását, eloszlását ismerjük, akkor sztochasztikus modellt készítünk. Ekkor nagyszámú modell kísérlet segítségével kaphatunk pontosabb választ a valós rendszer viselkedésére modellünk segítségével. A modell akkor írja le jól a valós rendszer működését, ha a modellben
kapott
eredmények
és
a
valós
rendszerben
kapottak
megegyeznek azonos kezdeti feltételek és bemenetek esetén. Ez az azonosság determinisztikus modell esetén egyenlőség, míg sztochasztikus modellnél azonos eloszlásúságot jelent. 25
Modellünket folyamatosan tesztelni kell, és ettől függően változtatni mindaddig, amíg a valós rendszernél megtapasztalt eredményeket nem tudja reprodukálni (Szűcs, 1996).
1.2.2.3. Programozás A programozás a modellezésünk során az a tevékenység, amikor az absztrakt modellünkből elkészül a számítógépes modell (szimulációs program), vagyis az a számítógépes program, amely megfelelő módon tartalmazza az absztrakt modell objektumait, az objektumok állapotát leíró adatokat, egyenleteket és az állapotok megváltozását leíró algoritmust. Ebben a lépésben már fizikai korlátokat is figyelembe kell vennünk. Ilyen például a számítógép memória kapacitása illetve sebessége. Bonyolultabb rendszerek modellezéséhez már megfelelő erőforrásokkal rendelkező
számítógépeket
kell
használnunk.
A
programfejlesztő
szoftverkörnyezetet is céljainknak megfelelően kell megválasztanunk. Készülő programunk alapkövetelménye, hogy ésszerű időn belül megfelelő pontosságú eredményeket szolgáltasson. E két kritérium egymásnak ellentmondó, hiszen a nagyobb pontosság eléréséhez általában hosszabb futásidő szükséges. Mindig az elérendő célok szabják meg, hogy a sebesség vagy a pontosság a fontosabb követelmény (Szűcs, 1996).
1.2.2.4. Szimuláció Jelen tárgyalásmódunkban a szimuláció a számítógépes modellünk, mint program futtatását jelenti. Ezt pontosan meg kell terveznünk, és elvárásainkhoz kell igazítanunk. Például abban az egyszerű esetben, amikor 26
a szimuláció eredményét csak egyetlen paraméter befolyásolja, és ez a kapcsolat az előzetesen felállított hipotézisünkben lineáris függvénnyel írható le, akkor elvileg elegendő lenne két mérést, kísérletet végeznünk az egyenes egyenletének megtalálásához. Viszont célszerű figyelembe vennünk megfigyeléseink, méréseink hibáját is. Emiatt több mérést, kísérletsorozatot kell végrehajtanunk, és ezek statisztikai kiértékelésével kapjuk meg a megfelelő eredményeket. A ceteris paribus elvet alkalmazzuk, ha a szimuláció eredménye több paramétertől függ. Ekkor olyan kísérletsorozatot kell terveznünk, ahol egy paraméter kivételével a többit rögzítjük, míg ezt az egyet változtatjuk. Mindezt többször meg kell ismételni a rögzített paraméterek különböző értékkombinációja esetén. Célszerű minden paraméter esetén egy ilyen szimuláció sorozatot végrehajtani. Hibás eredményeket kaphatunk, ha nem számolunk az induló feltételek és a véletlen ingadozások hatásával. Elég hosszú futási, szimulációs idő esetén az induló feltételek hatását speciális folyamatok esetén kiküszöbölhetjük. Több kísérlet végrehajtásával állapíthatjuk meg a kellően hosszú futásidőt. A véletlen ingadozásokból eredő hibát úgy tudjuk eliminálni, ha több futtatást hajtunk végre, és az így kapott eredmények átlagát, illetve szórását tekintjük eredménynek (Horváth és mtsai., 1987).
1.2.2.5. Érvényesítés Az érvényesítés során állapítjuk meg, hogy modellünk adatai megfelelnek-e a megfigyelt adatoknak. Pozitív válasz esetén mondhatjuk, hogy jogunk van a szimulációval kapott adatokból, eredményekből következtetni a valós rendszer működésére. Kezdeti modellünket persze 27
éppen az alapján alakítottuk ki, hogy a megfigyelt eredményeket szolgáltassa a modell, most viszont újabb kísérleteket kell beiktatnunk, hogy a korábbi adatokkal kialakított modell valóban képezi-e azokat az új eredményeket, amelyeket az új kísérletek a valós rendszerben is produkálnak. Eredményeink kiértékelése általában statisztikai módszerekkel történik. Több kísérletet végezve a valós és a szimulált rendszerrel a kapott eredmények átlagát és szórását hasonlíthatjuk össze. Készíthetünk statisztikai próbát, a két méréssorozat eloszlásának egyenlőségére. A méréssorozatok korrelációját is kiszámíthatjuk. Ha az érvényesítés során azt kapjuk, hogy a valóságos folyamat adatai nem egyeznek meg a modellezett adatokkal, annak három oka lehet: •
hibás a modell,
•
hibásan értelmezzük a szimuláció eredményeit,
•
bár a modell jó, mégsem felel meg a valóságnak hibás megfigyeléseink, méréseink miatt.
Ilyen probléma esetén a megismerési folyamat egy korábbi lépéséhez kell visszatérnünk, hogy ott újabb vizsgálatokat végezzünk, és /vagy hogy módosítsuk a modellt, hiszen célunk a működőképes modell megalkotása, mely a valós folyamat eredményeit produkálja (Horváth és mtsai., 1987).
28
1.2.2.6. A megismert rendszer leírása Ha a megismerési folyamat érvényesítési lépése azt mutatta, hogy a modellünk megfelelő, akkor már elegendő csak a modellen további kísérleteket végeznünk, hogy pontosan le tudjuk írni a megismert rendszert adataival,
összefüggéseivel.
Ehhez
olykor
statisztikai
módszereket
használunk. Egyszerűbb esetben, amikor egy adat megismerése volt a szándékunk, akkor is csak ritkán lehet elegendő ezt egyetlen értékkel megadnunk, vagyis adatainkat a várható értékükkel, szórásukkal, esetleg konfidencia intervallumukkal jellemezhetjük. Bonyolultabb esetekben az eloszlásuk típusát, jellegét kell meghatároznunk, hisztogramot készítenünk. Mennyiségek
közötti
kapcsolatok
leírásához
függvényeket
alkalmazhatunk. Amennyiben ismerjük a keresendő kapcsolatot leíró függvény típusát, akkor a konkrét függvény paramétereinek megtalálásához alkalmazhatjuk a legkisebb négyzetek módszerét. Ekkor a paramétereknek azt az értékkombinációját kapjuk meg, amikor a mért és szimulált adatok közötti eltérések négyzetösszege minimális (Szűcs, 1996).
1.2.3. A modellek csoportosítása Modelljeinket
több
szempont
szerint
is
csoportosíthatjuk.
Megközelíthetjük a kérdést a modellezett rendszer és a modell típusa alapján, illetve a hasonlóság szempontja szerint is. Tehát, hogy mit, mivel és milyen hasonlóság alapján modellezünk (Horváth és mtsai., 1987). A modellezett rendszer, vagyis amit modellezünk, lehet: •
termelési,
•
társadalmi, 29
•
pszichikai,
•
fizikai,
•
biológiai,
•
kémiai stb. jellegű.
Amivel modellezünk, tehát a modell típusa szerint a modell lehet: •
fizikai:
o elektromos, o mechanikus, o termikus stb., •
absztrakt:
o szimbolikus, o matematikai, o számítógépes stb.
A modellezési szempont szerint, vagyis, hogy a modellezett és a modell miben hasonló egymáshoz, a modell lehet: •
formai,
•
szerkezeti,
•
működési.
A modell használatának célja lehet: •
a modellezett rendszer leírása,
•
a modellezett rendszer szemléltetése,
•
a modellezett rendszer elemzése,
30
•
a modellezett rendszer működésével kapcsolatos problémák, tulajdonságok elemzése,
•
előrejelzés.
A modell jellege lehet kvalitatív, tehát csak minőségi jellemzésre vagy elemzésre alkalmazható, vagy kvantitatív, amikor mennyiségi bemutatására vagy vizsgálatára alkalmas. A rendszerre ható és a modellezett rendszer állapotait leíró változók alapján is csoportosíthatjuk a modelleket. A változók értékkészlete alapján a modell lehet: •
diszkrét modell, amikor minden változója csak diszkrét értékeket vehet fel,
•
folytonos modell, amikor a változói valamilyen folytonos skála tetszőleges értékével rendelkezhetnek,
•
kevert modell, amikor diszkrét és folytonos értékűek is lehetnek a változók.
A változók időfüggése alapján a modell lehet: •
statikus, amikor az időnek nincs szerepe a modellben,
•
dinamikus, amikor a változások az idő függvényében lépnek fel a modellben.
A modellt leíró változók közötti függőség alapján beszélhetünk, determinisztikus és sztochasztikus modellről. Akkor determinisztikus a modell, ha a bemenete és a kezdő állapota az eredményt egyértelműen
31
meghatározza, függvényszerű módon. Sztochasztikus esetben csak az eredmények lehetséges eloszlását kaphatjuk meg (Szűcs, 1996).
1.2.4. Számítógépes modellezés, szimuláció A
számítógépek,
hangsúlyosabb
szerepe
és van
az a
informatika számítógépes
térnyerésével modelleknek.
egyre Fontos
tisztáznunk, hogy a matematikai modell fogalmát a számítástudomány más értelmezésben használja. Itt matematikai modellnek azt az algoritmikus eljárást nevezzük, amellyel eredményeinket numerikusan megkapjuk (Szűcs, 1996). Elterjedt a számítógépes szimuláció olyan esetekben, amikor a véletlen hatásoknak is nagy szerepe van a modellben. Ehhez a program generálja (szimulálja) a véletlenek okozta számszerűsíthető adatokat az eloszlásuk ismeretében. Talán a szimuláció szó iménti értelmezésének tulajdonítható az a tudományos körökben is sűrűn felbukkanó félreértés, hogy csak az ilyen jellegű számítógép használatot tekintik szimulációnak. Ezért fontos megjegyezni, hogy a számítógépes szimuláció nem csak a véletlen hatások esetére alkalmazható, hanem akkor is, amikor egyetlen függvénnyel nem írható le matematikai módon a származtatandó eredmény, de ismerjük a kiszámítás algoritmusát (a matematikai modellt), mely sokszor összetett feltételrendszerrel meghatározott függvények értékeiből képzi az eredményt. Jelen munkában is a számítógépes szimulációt nagy számításigényű, algoritmizálható, de véletlen hatásoktól mentes esetre alkalmazom. A modellezés számítógép segítségével hatékonyabbá, gyorsabbá tehető. Összetett, bonyolult kísérletek számítógép nélkül el sem végezhetők. 32
Fontos szerepe van a számítógépes modellezésnek, szimulációnak a döntés előkészítésben, ahol a nem algoritmizálható, döntést igénylő lépéseket az ember teszi meg, majd a szimuláció során előre ellenőrizhető a döntés várható következménye. Az emberi döntéshozó folyamatot szimulálják számítógépen a szakértői rendszerek. Két fő részük egy adatbázis és egy következtetőmű. Az adatbázis adatokat, és szakértők által megfogalmazott összefüggéseket, „ha, akkor” típusú szabályokat, heurisztikus következtetéseket tartalmaz. A rendszer működése során feltett kérdéseinkre kaphatunk választ, melynek megtalálása
heurisztikus
legvalószínűbb
vezérléssel,
megoldások
irányában
beépített
szabályok
kereséssel
történik,
révén
a
ahol
a
következtetésekben tapasztalati tényeket is figyelembe vesz a rendszer (Szűcs, 1996).
1.3. Optimalizálás A gazdasági és a mérnöki alkalmazások területén, de a mindennapi élet számos területén találkozhatunk optimalizálási feladattal. Optimalizálás során, egy mennyiség minimális vagy maximális értékét keressük, illetve azt, hogy milyen feltételek esetén következik ez be. Például, kereshetjük a legnagyobb profitot vagy a minimális költséget, miközben a termelési feltételeknek eleget teszünk, megfelelő mennyiséget előírások szerint gyártunk. Matematikailag az optimalizálást úgy fogalmazhatjuk meg, hogy keressük egy függvénynek a minimumát, illetve a minimum helyét, miközben a megoldást egyenlőségekkel illetve egyenlőtlenségekkel felírható módon korlátozhatjuk (Hillier and Lieberman, 1994). Az optimalizálási 33
eljárásokat több módon is osztályozhatjuk egy ilyen csoportosítás látható a 4. ábrán. Optimalizálási eljárások
Gradiens alapú módszerek
Véletlent használó módszerek
Kimerítő keresésen alapuló módszerek
Direkt módszerek
Sztochasztikus hegymászás
Tabukeresés
Indirekt módszerek
Evolúciós algoritmusok
Szimulált hűtés
Evolúciós stratégiák
Dinamikus programozás
Genetikus algoritmus
4. ábra: Optimalizálási eljárások csoportosítása Forrás: Álmos és mtsai., (2002) alapján A gradiens alapú módszereket már a 17. századtól kezdve tanulmányozták. Lényegük, a függvény értékének megváltozásán alapul, tehát feltételezik a derivált függvény létezését vagy legalább az értékének numerikus megközelítését. A valós életben ez ritkán teljesül, ezért csak szűk tartományban alkalmazható ez a módszer, nem tekinthető kellően robusztusnak (Galántai és Hujter, 1997). A direkt módszerek esetén a függvény felületének egy pontjáról indulunk el és a lokális gradiens irányába haladunk, mert ez mutatja meg a legmeredekebb utat a célunk felé, hegymászásnak is nevezik ezeket az eljárásokat (Gonzalez, 2007). Indirekt módszerek esetén nem a függvény értékeit vizsgáljuk csak a derivált vagy gradiens függvény zérus helyeit keressük. Így olyan helyeket 34
találunk meg, melyhez illesztett érintősík meredeksége minden irányban nulla. Így az összes lokális szélsőértéket megtaláljuk (Langdon, 1998). A kimerítő keresésen alapuló módszerek lényege, hogy a keresési tér összes pontját bejárjuk és kiértékeljük, így biztosan megtaláljuk az optimumot. A módszer hátránya, hogy a keresési tér reménytelenül nagy lehet. Ezt a problémát hivatott kezelni az elágazás és korlátozás technikája, mellyel kisebb részekre bontható az eredeti feladat. Ezt olyan esetben alkalmazhatjuk, amikor rendelkezésünkre állnak olyan feltételek, melyekkel korlátozhatjuk a keresési teret. A véletlent használó módszerek alkalmazása akkor került előtérbe, amikor már a gradiens alapú és a kimerítő keresésen alapuló módszerek nem bizonyultak hatékonynak vagy használhatónak. A sztochasztikus hegymászás (Juels and Wattenberg, 1994) során az összes
szomszédos
pontot
kiértékeljük
és
a
célfüggvény
érték
szempontjából legkedvezőbbet választjuk ki. Az eljárás gyorsan megtalál egy helyi maximumot, de hátránya, hogy itt könnyen elakadhat, nem tud tovább lépni. Ezt az elakadást a tabukeresés algoritmusa (Glover, 1986) úgy védi ki, hogy elfogad kedvezőtlenebb célfüggvény értékeket is, de ezt tárolja egy tabu listában, hogy következő lépésben ide már ne tudjon visszakerülni. A szimulált hűtés (Kirkpatrick et al., 1983) a tabukeresés továbbfejlesztett változata. A stratégia annyiban különbözik, hogy már a keresés kezdetén is megengedi a visszalépéseket kedvezőtlenebb irányba. Az algoritmus véletlenszerűen választ egy irányt, s ha ez javít a jelenlegi helyzeten, akkor ebbe az irányba lép tovább, ha nem akkor egy valószínűségi paramétert is figyelembe vesz, mely az idő előrehaladtával egyre kisebb valószínűséggel engedélyezi a hibás irányt. 35
Az evolúciós algoritmusok olyan numerikus szélsőérték kereső eljárások, melyek biológiai párhuzamra épülnek. A megoldás keresése során a lehetséges megoldások egy populációját kezeli. Természetes szelekció dönti el, hogy a populáció mely tagjai maradnak fenn és szaporodnak, az ivaros szaporodás pedig az utódok génjeinek keveredését, rekombinációját biztosítja. Így az optimumot jobban megközelítő megoldások populációja áll elő generációról-generációra (Borgulya, 2004). Az evolúciós stratégia két megoldással dolgozik egy időben, egy szülővel és egy utóddal. Az utód a szülő mutáltja, vagyis kismértékben eltérő paraméterekkel rendelkező egyed. Ez néhány paraméter véletlenszerű módosításával keletkezik és akkor életképes, ha a célunk érdekében megfelelőbbnek mutatkozik (Fogel, 1995). A genetikus algoritmus alkalmazása során már több egyed tartozik egy populációba. A populáció fejlődését, a szelekció, keresztezés, mutáció biztosítja (Bäck, 1996). Az optimalizálási módszereket jelen tárgyalásmódunkban célszerű az alapján csoportosítanunk, hogy a számítógép milyen szerepet tölt be az optimalizálás során. Két fő csoportot különböztethetünk meg: •
analitikus optimalizálás,
•
szimulációs optimalizálás.
Az analitikus optimalizálás alatt azt értjük, amikor a célfüggvény és a korlátozó feltételek matematikailag jól analizálható formában írhatók le, általában képezhető a célfüggvény deriváltja (többváltozós esetben a gradiens vektor) és második deriváltja (Hesse-mátrix), s számítógépes eszközök alkalmazása nélkül kezelhető a feladat. Természetesen a számítások elvégzéséhez ekkor is számítógépet veszünk igénybe, sőt, a 36
széles körű gyakorlati alkalmazhatóságot a számítógépek elterjedése tette lehetővé, ami lényeges szemléleti változással is járt. Míg korábban csak a feladatok (elméleti) megoldása volt a cél, addig napjainkban a megoldó algoritmusok és a szoftverek előnyös tulajdonságainak a megléte is nagyon lényeges szempont lett. A téma elméleti kutatásával a nemlineáris optimalizálás tárgykör foglalkozik. Az operációkutatásban és az alkalmazott matematikában az elméleti vizsgálatokon túlmenően a cél mindig a megoldás
kiszámítása,
képletek
helyett
zömében
algoritmusok
alkalmazásával. A szimulációs optimalizálás olyan optimalizálási feladat, ahol a célfüggvény és/vagy a kényszerfeltételek csak számítógépes szimulációval értékelhetők ki. Azaz, a célfüggvény és/vagy a kényszerfeltételek nem fejezhetők ki analitikus formában és/vagy a rendszerváltozók sztochasztikus függvényeiként adhatók meg. A nemlineáris optimalizálás történetében először Lagrange nevét kell kiemelni, aki 1788-ban publikálta a függvények egyenlőség feltételek melletti
szélsőértékeinek
meghatározására
vonatkozó
multiplikátoros
módszerét (Lagrange, 1788). Ezután Farkas 1901-ben publikált híres dolgozata egyike lett a leggyakrabban említett dolgozatoknak a matematikai és a nemlineáris optimalizálási szakirodalomban (Farkas, 1901). Dolgozatát elsősorban a homogén, lineáris egyenlőtlenségekre vonatkozó tétele miatt idézik, amelyre Farkas-tétel néven hivatkoznak, s amelyet a nemlineáris optimalizálásban az optimum szükséges feltételeinek a levezetésére használnak. Az optimalizálás elméletében később Karush foglalkozott egyenlőtlenségi korlátozó feltételekkel (Karush, 1939). A nemlineáris programozás elnevezés Kuhn és Tucker 1950-ben megjelent cikkében szerepelt először, akik szintén az egyenlőtlenség feltételekkel korlátozott 37
feladat optimumának szükséges feltételeit vezették le (Kuhn and Tucker, 1950). Karush, illetve Kuhn és Tucker egymástól függetlenül ugyanazt a tételt bizonyították be. Az optimalitási feltételek ismeretében több szerző foglalkozott a különböző regularitási feltételekkel és a közöttük levő kapcsolatokkal. Jól áttekinthető formában az elért eredmények összefoglalása megtalálható Bazaraa és Shetty (1976, 1979) könyveiben. A függvények általánosított konvexitási tulajdonságairól részletesebben lehet olvasni Mangasarian (1969), Martos (1975) és Avriel et al. (1988) könyveiben. Az utóbbi időben a nemdifferenciálható függvényekkel képzett nemlineáris optimalizálási feladatok optimalizálási kérdéseit kutatják. A nemlineáris optimalizálás történetéről részletesebb ismertetés Rapcsák (1997) könyvében található.
1.4. Hőkezelési folyamat modellezéséről, optimalizálásáról megjelent tudományos eredmények A hőkezelési folyamat matematikai és számítógépes modellezésével kapcsolatban megjelent publikációkban (Almonacid-Merino et al., 1993; Bhowmik et al., 1985; Eszes és Huszka, 1998; Eszes és mtsai., 2003; Ramaswamy et al., 1982; Welt et al., 1997) egy autoklávra és nem autokláv csoportra vonatkozóan foglalkoztak elsősorban csak a fűtési fázis energia igényének
csökkentésével,
míg
a
hűtési
fázis
vízfelhasználásának
problémája háttérbe szorult. A közleményekben (Marra and Romano, 2003) a matematikai modellezés alapja a hőátvitel differenciálegyenlete. A számítógépes modellezés, szimuláció során alkalmazták a Visual Basic programozási nyelvet (Teixeira and Tucker, 1997), a mesterséges neurális hálókat (Afaghi et al., 2001; Chen and Ramaswamy, 2002; Goncalves et al., 38
2005), optimalizálást (Miri et al., 2008; Chalabi et al., 1999; Sendin et al., 2010; Banga et al., 2003; Abakarov et al., 2009). A vizsgálatok jelentős része a hőkezelés hőszükségletének csökkentésére irányult (Simpson et al., 2006), valamint a konzervek minőségi kérdésével foglalkozott (Shin and Bhowmik, 1995; Lee, 2010; Zegeye, 1999; Stoforos, 1995; Nguyen etal., 2010; Lemmens et al., 2009). A konzervek minőségét vizsgáló kutatások kiterjedtek a hőbehatolás (Kebede et al., 1996), a biztonságos hőközlés (Fryer and Robbins, 2005) szerepére. Vizsgálták a textura (Devatkal et al., 2004), a szín (Chiewchan et al., 2006), a funkcionális érték (Zhang et al., 2010) változását a hőkezelés során. Vinci és Antonelli frissesség minőségi indexet alakítottak ki (Vinci and Antonelli, 2002). Durance kutatásában az aszeptikus termékek jobb minőségét mutatta ki a teljes konzervekkel szemben (Durance, 1997), szimulációs optimalizálást alkalmazott a hőbehatolás meghatározására. Számos eredmény született a konzervek főzöttségét, hőkárosodását mutató C-érték meghatározásához szükséges referencia hőmérséklet (Tr) és z-érték alkalmazásáról (Ohlsson, 1980; Feliciotti and Esselen, 1957; Reichert, 1980; Reichert et al., 1979, 1988). A 70-es években az általános hőveszteség kérdésével foglalkoztak (Rao et al., 1976; Rao et al., 1978; Singh, 1978). A 80-as években a hőhasznosítás
és
hőfelvételi
arányok
témakörében
jelentek
meg
közlemények (Sielaff et al., 1982; Bhowmik et al., 1985; Singh, 1986). Az újabb kutatások a hőbehatolás intenzitásának növelésére irányulnak, amit viszkózus élelmiszereknél a konzervek hőkezelés közbeni, megfelelő sebességű forgatásával lehet elérni erre alkalmas autoklávval (Yang and Rao, 1998; Akterian, 1995; Alonso et al., 1997; Meng and Ramaswamy, 2005, 2007a, 2007b). Szilárd élelmiszerek esetén (hús, májkrém, stb.) a 39
hagyományos hőntartásos CRT (Constans Retort Temperature, állandó hőmérsékletű autokláv) technika helyett a VRT (Variable Retort Temperature, változtatható hőmérsékletű autokláv) alkalmazásával növelték a hőbehatolás sebességét (Awuah et al., 2007; Simpson et al., 2008). Így a hőkezelés időtartamának csökkenésével a felhasznált energia is kevesebb, miközben a termék kevésbé károsodik. Szintén e kettős cél érhető el megfelelő műszerezettséggel, számítógépes valós idejű irányítással, amikor a szükséges hőkezeltség elérésekor a folyamatosan kalkulált F0 egyenérték alapján fejeződik be a hőntartás, és indul a hűtési fázis, így meggátolva a túlkezelést (Teixeira and Tucker, 1997; Simpson et al., 2006, 2007a, 2007b). Szimulációs optimalizáló ütemezést is alkalmaztak azzal a céllal, hogy különböző termékeket együtt hőkezeljenek azonos alkalmazandó sterilképlet esetén, s így rövidebb várakozási időt alkalmazva a kezelés megkezdéséig (Simpson, 2004; Simpson and Abakarov, 2009). A kutatások viszont eddig nem foglalkoztak a termék minőségére és a hőkezelés közvetlen költségére is pozitívan ható termelés-szervezési kérdésekkel, autokláv csoport összehangolt működtetésével, mellyel megfelelő ütemezettséggel indítva a hőkezelési folyamatokat egyenletes erőforrás-felhasználás (gőz, víz) biztosítja a kiegyensúlyozott termelést.
40
2.
ANYAG ÉS MÓDSZER
A kutatást alapvetően meghatározó, a munka szinte minden részletében markánsan megjelenő elem a számítógépes modellezés volt. Ezért
elsősorban
e
szakterület
alkalmazott
módszereit,
technikáit
alkalmaztam a megfigyeléstől, adatgyűjtéstől kezdve a modellépítés, programozás sokszor nagyfokú kreativitást igénylő részletein keresztül a modell
ellenőrzésének
(verifikálás)
és
érvényesítésének
(validálás)
statisztikai módszerein át a modellen végzett kísérletekkel (szimuláció) kapott eredmények statisztikai feldolgozásáig. Mivel olyan speciális szakterületet elemeztem, melynek csak egyes részleteivel foglalkoztak eddig alap- és alkalmazott kutatások során, s emiatt modell és kidolgozott módszer sem létezett kutatásaimhoz, ezért a 2.1. részben részletesen bemutatom a modell kialakítása során alkalmazott módszereket és használatukat. Ezt megelőzően először az adatforrásokat, a többször is alkalmazott egyedi módszereket mutatom be általánosítva, valamint felsorolás-szerűen az ismert technikákat. A kutatáshoz felhasznált adatok két csoportot alkotnak. Időrendben az első (1988-1990) az egykori Szekszárdi Húsipari Vállalattól származik, ahol a húskonzervek hőkezelésének termékminőségi javításához végeztünk méréseket. Ehhez fejlesztettem adatgyűjtő szoftvert. Így jelen kutatáshoz archív fájlokban álltak rendelkezésemre a szükséges adatok a modell megalkotásához és verifikálásához, valamint a kísérleti szimulációs optimalizáló program fejlesztéséhez, az ütemező algoritmus megtalálásához, teszteléséhez, tehát a vizsgálati módszerek kidolgozáshoz.
41
Az adatok újabb csoportjára, amit egy másik vállalat biztosított, a további
vizsgálatok
és
kutatási
irányok
(költségoptimalizálás,
munkaszervezés) miatt volt szükség. Viszont itt más jellegű adatok álltak rendelkezésre, ami nem tette lehetővé a korábbi modell alkalmazását, amihez csak validálásra lett volna szükség. Így új modellt kellett kialakítani, ami miatt a kísérleti program sem volt adaptálható. A modellezéshez, a szimulációs optimalizáláshoz a Microsoft Excel és Access 2003 programokat használtam mind a felmerült program fejlesztéséhez a programokba épített Visual Basic for Applications (VBA) szolgáltatással, mind az Excel bővítményeiként elérhető Solver és Adatelemzés
funkciókkal
a
függvényillesztéshez
és
a
statisztikai
eljárásokhoz. A kutatás során több esetben volt szükség függvényillesztésre, vagyis paraméterektől függő számítógépes modellhez megtalálni a paramétereknek azt az értékkombinációját, amikor a modellel adódó eredmények minél pontosabb közelítését adják az ismert, megfigyelt adatoknak. Ehhez az Excel táblázatkezelő program Solver bővítményét alkalmaztam a legkisebb négyzetek módszerével. Ennek technikája, hogy egy-egy cellában megadjuk a keresett paramétereknek egy lehetséges kezdőértékét, valamint kialakítunk egy olyan számolótáblát, mely a paraméterek megváltozásakor automatikusan képzi egy cellában az összetartozó számított (szimulált) és ismert értékpárok különbségeinek négyzetösszegét. Ezután a Solver működtetéséhez beállítjuk, hogy melyek a keresett paraméterek cellái, mint módosuló cellák és a négyzetösszeg cellája, mint minimalizálandó érték. A Solverrel a megoldást kérve megkapjuk a paraméterek keresett értékkombinációját.
42
Az adatelemzések során a következőkre volt szükségem: •
átlag,
•
szórás,
•
korreláció,
•
lineáris regresszió,
•
kétmintás párosított t-próba,
•
véletlenszám-generálás.
Átlag és szórás kellett az egyes műszakok Solverrel kapott eltérő modellparamétereinek elemzéséhez. Lineáris regressziót és korrelációt alkalmaztam
a
gyűjtött
adatok
közötti
összefüggések
és
ennek
szorosságának meghatározására, a gázfelhasználás modellezhetőségéhez szükséges adatok elegendőségének ellenőrzésére. Kétmintás párosított tpróbát alkalmaztam a modellek verifikálása és validálása során. Különböző eloszlású kazánterhelés adatokat szimuláltam véletlenszám-generálással (Monte Carlo módszer), hogy a modellel adódó eredmények alapján elemezhessem
az
egyenetlen
kazánterhelés
hatását
a
költségekre.
Természetesen ez nagyon drága kísérletsorozat lett volna (amire lehetőségem sem lett volna), ha nem modellezéssel végzem. A Monte Carlo módszer lényege, hogy a mért adatok (kazánterhelések) helyett azok szimulált (véletlenszámként generált) értékeit alkalmazzuk a számítógépes modell bemenetén, s az így kapott eredményeket értékeljük ki a mért hatás (hatásfok alapján meghatározott gázfelhasználás) helyett.
2.1. Módszer szimulációs modell és optimalizáló algoritmus fejlesztésére A Szekszárdi Húsipari Vállalattól származó archív adatok adtak lehetőséget a kutatás alapját biztosító program fejlesztéséhez, a módszerek 43
kidolgozásához. A megvalósítás során fontos szempont volt a modell, s így a program egyszerű adaptálhatósága más vállalatoknál. A program nagy kihívása volt a párhuzamosan futó hőkezelési folyamatok szinkronizálását megvalósító ütemező algoritmus fejlesztése. Ennek nehézségét az jelentette, hogy a célérték meghatározása bonyolult számítási technikát, időigényes szimulációt igényelt. Emiatt olyan algoritmust kellett találni, mely kevés szimulációs lépést használ.
2.1.1. A modellt meghatározó összetevők A modellezéshez rendelkeznünk kell a két szembenálló oldal, az igény és a kapacitás leírásához szükséges adatokkal. Először erőforrásigény szempontjából vizsgáljuk meg rendszerünket.
2.1.1.1. A hőkezelés erőforrásigényének adatai Egy hőkezelési ciklus három fázisra bontható: felfűtés, hőntartás, lehűtés. A szükséges hőmérséklet eléréséhez gőzt használnak, míg a hűtés vízzel történik. Az 5. ábrán az idő függvényében látható egy termék hőkezelése során fellépő gőz- és vízigény pillanatnyi alakulása, mely ábra egy terméktípus hőkezelései során mért adatok átlaga alapján adódott értékeken alapul.
44
4000
25000
20000
3000 2500
15000
2000 10000
1500 1000
5000
Víz térfogatáram (l/h)
Gőz tömegáram (kg/h)
3500
500 0
0 1
25
vízigény
49
Idő gőzigény
5. ábra: Gőz- és vízigény alakulása egy termék hőkezelése során A fűtési és hűtési fázisok elején jelentkezik maximális intenzitással az erőforrások igénye, míg hőntartáskor a gőzfogyasztás mértéke a legalacsonyabb, hiszen ekkor csak a hőveszteségeket kell fedezni. Termékenként
eltérő
előírások
vonatkoznak
az
elérendő
hőmérsékletre, a hőntartás idejére, a konzervek eltérő méretűek és geometriájúak, így a teljes hőkezelés időtartama termékfüggő. Mindezek ellenére a kapott jelleggörbe (6. ábra) nem csak a különböző termékek esetében egyezik meg, hanem a gőz- és vízfelhasználás terén is. A jelleggörbe a mért adatokból normalizálással úgy adódott, hogy először 2424 egyenlő részre bontottam a gőz- és vízfelhasználási fázis időtartamát, s az így kapott 24-24 adatból százalékban képeztem értékeket. A vízszintes tengelyen az időt % mértékegységben úgy kell értelmezni, hogy ekkor egy hőkezelési fázis (fűtés vagy hűtés) teljes lefutási idejét kell 100%-nak tekinteni.
Ehhez
hasonlóan
magyarázható 45
a
függőleges
tengely
mértékegysége is, a hőkezelés során maximálisan fellépő erőforrásigény a 100% megfelelője. A normalizálással kismértékben eltérő, 24 elemű adatsorokat kaptam termékenként is, valamint a gőz- és vízfelhasználásnál is. Végül a jelleggörbe adatai az egyes adatsorok azonos indexű elemeinek átlagaként adódtak. Ezután ellenőrizni kellett, hogy ez megegyezik-e mindegyik adatsorral. Ezt egyenként kétmintás párosított t-próbával végeztem, hiszen a két adatsornak páronként csak az azonos indexű elemeinek kell megegyeznie. Szignifikáns eltérés egy esetben sem adódott (p<0,05).
erőforrásigény (%)
120% 100% 80% 60% 40% 20% 0% 0%
20%
40%
60%
80%
100%
120%
idő (%)
6. ábra: Erőforrásigény időbeli alakulásának jellege egy terméknél E jelleggörbe biztosítja az autokláv csoporttal megvalósított hőkezelés
esetén
a
számítógépes
energetikai
modellezés
alapját.
Amennyiben minden termék esetén ismerjük a fűtési, hőntartási és hűtési fázisok
időtartamát,
erőforrásigényét,
valamint
akkor
a
a
fázisok
jelleggörbe
46
kezdeti, lineáris
azaz
maximális
transzformációjával
rendelkezünk a termékek hőkezelési modellezéséhez szükséges igény oldali adatokkal.
2.1.1.2. Fűtőgőz és hűtővíz kapacitásának adatai A vállalat hőkezelő üzemrésze számára biztosítható kapacitás adatok mérésekkel adódtak. Univerzális, minden vállalat számára alkalmas jelleggörbe nem adható meg. Viszont ezek az adatok nem tekinthetők időben állandónak több okból sem. Egyrészt évszaktól függő eltérések is lehetnek egy vállalat esetén, másrészt egy napon belül is jelentkezhetnek periodikusan fellépő kapacitásingadozások. Ezért lehet célszerű több napon át tartó adatgyűjtést végezni különböző évszakokban, majd kiértékelve az adatokat felismerni a törvényszerűségeket a modellezés érdekében. Így például a 7. ábrán láthatóhoz hasonló görbéket kapunk a hőkezelő üzemrész számára nyújtható kapacitásadatokból. Az ábra adatai egy év négy évszakának egy-egy heti mért eredményeinek átlagaként adódtak. 100000 90000
10000
80000 70000
8000
60000
6000
50000 40000
4000
30000 20000
2000 0 6:00
10000 10:00
14:00
18:00
22:00
2:00
Idő Gőz kapacitás
Víz kapacitás
7. ábra: Gőz- és vízkapacitás alakulása
47
0 6:00
Víz térfogatáram (l/h)
Gőz tömegáram (kg/h)
12000
2.1.1.3. A modellező eszköz, az Excel és a Visual Basic for Application Nem csak azért esett a választás az Excel táblázatkezelő használatára,
mert
széleskörben
elterjedt,
a
felhasználók
számára
megszokott környezetet jelent, hanem mert kiválóan testreszabható lehetőséget biztosít a modell adatainak strukturált tárolására munkafüzet lapokon. Felhasználóbarát adatkezelő felület alakítható ki egyéni menüvel,
űrlapok alkalmazásával az adatkezeléshez. Elrejthetők a felhasználó elől a számítási részeredményeket tartalmazó lapok, a modell paramétereinek
űrlapokon elhelyezett vezérlőkkel változtatásának hatása szemléletes grafikonon jeleníthető meg. A beépített Visual Basic for Applications szolgáltatással magunk készíthetünk függvényeket és eljárásokat, melyek használatát menüből, eszköztárról, űrlapról vezérelhetjük. Így olyan alkalmazássá alakítható át az Excel felülete, mely nem különböztethető meg egy egyedi szoftvertől.
2.1.2. Szoftverfejlesztés
2.1.2.1. Ütemezés megvalósítása A
hőkezelés
energetikai
modellezésére
és
az
megvalósítására kialakítottam egy munkafüzetet, mely tárolja: •
az erőforrásigény jelleggörbe adatait,
48
ütemezés
•
a termékek adatait az ütemezéshez: termékazonosító, név, fűtési idő, hőntartási idő, hűtési idő, maximális gőz tömegáram igény, maximális víz térfogatáram igény, maximális várakozási idő,
•
az aktuális napon (holnap) hőkezelendő termékek adatait: sorszám, termékazonosító, legkorábbi hőkezelés kezdési időpont, a hőkezelés kezdésének várakoztatási ideje, még ütemezhető (igen/nem),
•
számolótáblát az aktuális napon hőkezelendő termékek összegzett gőz- és vízigényének napi alakulásának meghatározására, illetve ezek kapacitás túllépésének összegzésére,
•
Visual Basic eljárásokat az ütemezéshez,
•
diagramot a gőzfelhasználásról (8. ábra) és a vízfelhasználásról,
Gőz tömegáram (kg/h)
12000 10000 8000 6000 4000 2000 0 6:00
10:00
14:00
18:00
22:00
2:00
6:00
10:00
14:00
18:00
Idő Összegzett gőzigény
Gőz kapacitás
8. ábra: Példa a gőzfelhasználás napi alakulására •
egyedi menüt az eljárások végrehajtásának vezérlésére,
•
űrlapokat az adatok karbantartására (9. ábra), a kézi (10. ábra) és gépi ütemezés megvalósítására.
49
9. ábra: Termékek adatkarbantartásának űrlapja A munkafüzet megnyitásakor az Excel megszokott menüje helyett az ütemezési feladatok elvégzését támogató menü jelenik meg, valamint az előző napi használat során a munkafüzetben tárolt ütemezési adatok szerinti gőz- és vízfelhasználási diagram (8. ábra). A Visual Basic for Application eseményvezérelt programozási technikája biztosítja, hogy egy esemény (munkafüzet
megnyitása,
parancsgombon)
klikkelés
bekövetkezésekor
programrészletünk, eljárásunk.
2.1.2.2. A program menüszerkezete •
Fájl:
o Új ütemezés, o Megnyitás, o Mentés, 50
egy
menüponton
hajtódjon
végre
vagy
egy
valamely
o Mentés másként, o Nyomtatási kép, o Nyomtatás, o Kilépés •
Adatok:
o Termékek általános adatai, o Hőkezelendő termékek listája •
Ütemezés:
o Kézi, o Gépi •
Súgó:
o A program használata, o Névjegy Az „Új ütemezés” parancs kiadásakor a program törli a tárolt terméklistát, és az előző ütemezés alapján kalkulált, a következő napra átnyúló erőforrásigényeket átemeli, hogy az új napi adatok alapját adják. Tehát a program nem csak egy nap 6:00-6:00-ig terjedő időszakában számítja és tárolja 10 perces bontásban az adatokat, hanem 6:00-18:00-ig. Így további 12 óra adataival biztosítja, hogy még az egyik nap végén elkezdett, de már be nem fejezett hőkezelések gőz- és vízfelhasználási adatsora is tárolódni tudjon, ahogy ez a 8. ábrán is látható. Nyomtatáskor az ütemezésnek megfelelő sorrendben kapjuk meg a terméklistát. Kézi ütemezés során (10. ábra) a hőkezelendő terméklista egy termékének várakoztatási idejét lehet léptető nyíllal változtatni 10 perces lépésközzel egy űrlapon, miközben a gőz és víz felhasználásának alakulása 51
diagramokon követhető grafikusan. Az űrlapon rekordléptető biztosítja a terméklistában közlekedést, valamint megjelennek a léptetés hatására frissített értékű, az ütemezések összehasonlítását szolgáló víz- és gőzfogyasztási mutatószámok.
10. ábra: Kézi ütemezés űrlapja
2.1.2.3. A gépi ütemezés alapja Az energetikai adatok modellezése során egy teljes nap (általában a holnapi nap) során megjelenő összegzett pillanatnyi erőforrásigényekkel rendelkezünk 10 perces bontásban. Ennél nagyobb felbontást nem érdemes alkalmaznunk, hiszen legalább ekkora pontatlansággal kalkulálható egy nappal előre az elkészülő konzervek megérkezési időpontja a hőkezelő üzemrészbe. A termékekre vonatkozó, élelmiszerbiztonságból eredő korlátja az ütemezésnek a maximális várakozási idő a konzerv hőkezelésének megkezdéséig. A maximális várakozási időket meg nem haladó minden olyan ütemezés optimális, melynek erőforrásigénye a nap folyamán egyszer 52
sem lépi túl a gőz- illetve vízkapacitásból eredő korlátot, ha egyáltalán létezik ilyen ütemezés. Minden ütemezés esetén kiszámítható két mutatószám (G és V), melyekkel az egyes ütemezések összehasonlíthatók. Ezek a gőz- illetve a vízkapacitások túllépéseiből határozhatók meg egyszerű összegzéssel: G = ∑ g (i)
(11)
i
V = ∑ v(i)
(12)
i
ahol: G – kapacitás feletti gőzigény összege egy nap során g(i) – kapacitás feletti gőzigény egy nap i. 10 perces időintervallumában V – kapacitás feletti vízigény összege egy nap során v(i) – kapacitás feletti vízigény egy nap i. 10 perces időintervallumában Egy új ütemezést akkor tekinthetjük kedvezőbbnek az előzőnél, amikor a G és V értékek legalább egyike csökken, miközben a másik értéke nem nő. Így válhat összehasonlíthatóvá két ütemezés. Kérdéses viszont olyan esetben egy újabb ütemezés összehasonlítása a korábbival, amikor a két mutatószám közül az egyik értéke csökkent, míg a másiké nőtt. Ahhoz, hogy ilyen esetekben is választ tudjunk adni, a két különböző mértékegységű mutatószám alapján egyetlen adatot kellene kialakítanunk. Erre úgy lenne lehetőségünk, ha az egyes erőforrások kapacitások feletti többlet igényét pénzben tudnánk kifejezni. Ehhez rendelkeznünk kellene az erőforrások túllépéséből származó többletköltségek egységnyi erőforrásra vetített értékével, s e konstansokkal súlyozott összegeként a gőz- és 53
vízkapacitások mennyiségi túllépéséből egyetlen érték, a többletköltség lenne megkapható. Sajnos e súlyként funkcionáló értékek közül csak a gőzfelhasználásból származó egységköltség állhat rendelkezésünkre, de csak akkor, ha a vállalat külső gőzszolgáltatótól is pótolhatja hiányát, vízfelhasználáskor viszont ez nem járható út. Kapacitások feletti vízigény megjelenésekor nem biztosítható a megfelelő sebességű hűtés, így ebben a fázisban további hőterhelésnek tesszük ki a terméket, mely a termék minőségét rontja. Tehát a termék minőségének kritériumaként az egyenletes, illetve a kapacitást meg nem haladó vízfelhasználás jelenik meg. Az eddigiek alapján megállapítható, hogy a gőz- illetve a vízkapacitás túllépésének mennyiségét jelző két mutatószám súlyozott összegeként adódó érték minimumára kell törekednünk. Tehát a célfüggvény: z = λ g ⋅ G + λ v ⋅ V → min
(13)
ahol: λg – gőztúllépési súlyérték λv – víztúllépési súlyérték A súlyként funkcionáló egységköltség adatok hiányában is alkalmaznunk kell ilyen súlyértékeket, de ekkor e két súlyérték egymáshoz viszonyított relatív nagyságának, arányának van jelentős szerepe az ütemezés során. Akkor tekinthető semlegesnek a gőzre illetve vízre vonatkozó súlyértékek aránya, amikor a relatív túllépéseket egyforma súllyal veszik figyelembe. Ekkor a kapacitás értékek arányának reciproka egyezik meg a súlyok arányával. Ha a semlegestől eltérően a vízre vonatkozó súlyt megnöveljük, akkor az ütemezés során adódó optimumnál a
54
vízkapacitás túllépéseket csökkenthetjük a gőzkapacitások túllépésének rovására. Mindez persze fordítva is igaz. Célunk az egyenletes vízfelhasználást biztosító ütemezések közül kiválasztanunk
a
gőzigényből
származó
legkisebb
költségűt,
így
garantálható a legjobb elérhető termékminőség, minimális költséggel. Ehhez tehát a semleges súlyaránytól eltérő, a vízkapacitás túllépést erősebben „büntető” súlyokat kell alkalmaznunk. Az ütemezést végrehajtó program futtatási tapasztalatai alapján a semlegeshez viszonyított háromszoros értékű vízre vonatkozó súlyérték alkalmazása célszerű (λg=1 és λv=3).
2.1.2.4. A gépi ütemezés algoritmusa Az ütemezés során arra kell választ kapnunk, hogy egy nap során az egyes termékek hőkezelését milyen időpontban kell elkezdenünk az adott időkorlátok között (10 perces bontásban) úgy, hogy a gőz- illetve vízkapacitások túllépéséből származó súlyozott összeg, mint célérték minimális legyen. Az állapottér (20-30 termékre vonatkozó kezdési időpontok összes variációja) teljes bejárása indokolatlanul nagy futási időt eredményezne, ezért a következő algoritmus is elegendőnek bizonyult, mely a sztochasztikus hegymászó eljárásnak az a változata, amikor egy lépésben csak egy változónak megfelelő irányban lépünk a változó értékével az ebben az irányban éppen optimális célértéket adó helyre: 1. A várakozási idők kezdőértékének nullára állítása, majd a célérték meghatározása ebben az esetben. 2. Ha a célérték nulla, vége az eljárásnak. Az optimális kezdési időpontja a termékek hőkezelésének a legkorábbi, tehát a nulla várakozási idejű. 55
3. Egyenként, minden egyes terméken (amely még ütemezhető) egyszer végighaladva beállítjuk az adott termékre vonatkozó korlátok közötti kezdési időpontok közül azt, amikor a legkisebb célérték adódik. 4. A 3. lépést addig ismételjük, míg a célérték nulla nem lesz, vagy nem csökken tovább egyik termék várakoztatásának változtatásával sem. Különben az eljárás befejeződik, a termékek hőkezelésének optimális kezdési időpontja az utoljára beállított várakozási idők alapján adódik. A program azt a lehetőséget is biztosítja, hogy az aktuális napra vonatkozó, de még el nem kezdett hőkezeléseket újra tudjuk ütemezni, ha erre valamilyen előre nem tervezhető okból szükség lenne. Ekkor lesz jelentősége a „még ütemezhető” adatnak, melynek alapértelmezett értéke „igen”, de a már megkezdett hőkezelések esetén ezt „nem”-re kell állítani.
2.1.2.5. A modell és a program adaptálhatósága A modell másik vállalatnál adaptálhatóságához csak validálásra van szükségünk. Ehhez meg kell mérni az egyes hőkezelési folyamatok gőz- és vízfelhasználásának időbeli lefolyását, majd ezek normalizált alakjának a jelleggörbével
egyezőségét
kell
ellenőrizni
párosított
t-próbával.
Amennyiben ez sikerrel jár, akkor két adattal, a maximális erőforrásfelhasználás értékével és az időtartammal jellemezhetők a folyamatok. Ellenkező esetben új jelleggörbe kialakítására van szükség. A modell nem adaptálható, ha nem mérhető a gőz- vagy vízfelhasználás hőkezelésenként. Ekkor más alapokra kell helyezni a modell kialakítását.
56
Az anyag és módszer rész fenti alfejezetei tartalmazták az optimáló algoritmus elméleti alapjait, a további – a másik elemzett üzem sajátosságaira, adataira támaszkodó rendszerre alkalmazott - módszereket és ezek eredményeit szerkesztési okoból (hogy együtt szerepelhessen a módszer és a szolgáltatott eremény) az eredmények fejezetben írom le.
57
3.
EREDMÉNYEK
A kutatás során a hőkezelések elvégzésének szervezési kérdéseire koncentráltam. A konzervgyártás közvetlen költségeinek jelentős hányada e művelet végrehajtásához szükséges fűtőgáz díjában jelentkezik, ezért elgendőnek bizonyult - pár esettől eltekintve – más jellegű költségekkel nem számolni. A vállalat adatainak diszkrét kezelése érdekében minden költséget a gázdíj százalékában fejeztem ki. A sterilképletben rögzített műveleti időtartamok és hőmérséklet megváltoztatása mikrobiológiai vonatkozású kutatást igényelt volna, így ezzel nem foglalkoztam, csak az előírások betarthatóságában szerepet játszó szervezési, ütemezési feladatokkal. Ehhez szűkebb mozgásteret bíztosított a hőkezelő üzem autoklávcsoportjának összehangolt működtetése, emiatt a kiszolgáló művelet, a gyártósori konzerv előállítás megszervezése is fontos szerepet kapott a kutatásban. Viszont kötöttségként jelentkezett, hogy egy heti gyártási terv előírta, hogy a megrendelések, raktári készletek és más üzletpolitikai szompontok miatt mely termékeket kell gyártani a következő hét egyes műszakaiban. E terv gazdaságos megvalósíthatóságának ellenőrzésére, és a termékek műszakok közötti átcsoportosítására nyílt mód. Az eredmények bemutatása során elsőként az alkalmazott ütemezési módszer pozitív hatásait tárgyalom a termék minőségére (3.1. rész) és a közvetlen költséget alapvetően meghatározó gázfogyasztásra (3.2. rész). Ezek az eredmények alapozták meg a további munkát, mutattak rá a költségcsökkentési és minőségmegtartási fejlesztések helyes irányára. Ezután bemutatom a szoftveres gyártásprogramozás költségekre ható pozitív szerepét (3.3. rész). Szimulációs technikával kivédhető a 58
figyelmetlen tervezésből adódó gyártósori termékütközés, valamint a gyártás
szűk
keresztmetszetében,
a
hőkezelő
üzemben
fellépő
terméktorlódás, és ennek következményeként az időben el nem kezdett hőkezelésből származó termékromlás. A 3.4. részben a szoftverrendszer fő fejlesztési lépéseit tárgyalom, ahol először adatelőkészítés, adattisztítás után új matematikai modellt kellett építeni. Emiatt és az új szoftverkomponensek (gyártásprogramozás, gyártósori termékütközés és terméktorlódás kezelése) hatékony kialakítása érdekében új szoftvertervre volt szükség a módszerek részben bemutatott program átalakítása helyett, melyből csak az ütemező algoritmust lehetett átvenni. A fejlesztés konceptuális tervét, a megvalósítás főbb részeit tartalmazza a fejezet hátralévő része. Végül
(3.5
rész)
a
szoftver
használatából
származó
minőségmegtartási, költségcsökkentési eredményeket ismertetem.
3.1. Ütemezetlenség hatása a termék minőségére Mint ahogy az irodalmi részben láttuk, egy termék hőkezelési előírásának,
sterilképletének
meghatározása
során
laboratóriumi
körülmények között végzett vizsgálatokkal, számításokkal nagy gondot fordítanak arra, hogy a mikrobapusztításban egyenértékű hőkezelések közül meghatározzák a termék minősége szempontjából a legkedvezőbbet. Amennyiben az üzemi gyakorlat hőkezelése eltérne ettől az előírástól, akkor súlyosabb esetben a termék biztonsági okokból nem lenne megfelelő, vagyis nem érnénk el a szükséges mértékű mikrobapusztítást. Ekkor a termék a szavatossági idő lejárta előtt megromlana, nagy kárt okozva ezzel az egész vállalat
fogyasztói
megítélésében. 59
A
bizalmukat
vesztő
vásárlók
elfordulnának a cég többi termékétől is, s így a vállalat léte kerülhet veszélybe. A romlott élelmiszert fogyasztók egészségében fellépő károsodások jogi vonzatai is a vállalatot terhelik. A sterilképletben meghatározottól eltérő hőkezelés enyhébb esetében a termék minősége tér el az optimálistól kisebb vagy nagyobb mértékben. Mindezek miatt az autoklávok megfelelő műszerezettséggel, automatikával rendelkeznek, hogy emberi beavatkozás nélkül biztosított legyen a hőkezelési folyamat előírások szerinti lefutása. Átmeneti elégtelen gőzellátás esetén az automatika sem tudja az előírt időtartam alatt felfűteni a berendezést és/vagy tartani a hőmérsékletet a gőzszelep nyitottságának szabályozásával és/vagy a hűtési fázist megfelelően biztosítani a szükséges intenzitású hűtővíz hiányában. E problémák azért léphetnek fel, mert a több autoklávban párhuzamosan zajló hőkezelési folyamatok intenzívebb erőforrás-igényű fázisai találkoznak. Az automatika feladata, hogy a termék biztonsága, mint elsődleges prioritású tényező, ekkor is garantált legyen. Fontosságára tekintettel az automatika működését mutatom be a hőkezelés mindhárom (felfűtés, hőntartás, hűtés) fázisában. A felfűtés kezdetén az automatika megállapítja a szükséges percenkénti
hőmérsékletnövekményt.
Ehhez
megméri
a
kezdeti
hőmérsékletet, majd a sterilképletben adott elérendő hőmérsékletből ezt levonja és osztja a felfűtés előírt időtartamával. Ezzel a meredekséggel próbálja tartani lineárisan a hőmérséklet emelését. Gőzellátási gondok miatti lemaradást a meredekség emelésével nem oldhatja meg, mert a hőmérséklet intenzívebb növelése a termék minőségére káros. Mindez azt jelenti, hogy e fázis időtartama csak hosszabb lehet az előírtnál, rövidebb nem a termék minősége érdekében. A megnövekvő felfűtési idő a szükségesnél magasabb főzöttségi egyenértéket (C-érték) mutató, rosszabb minőségű terméket 60
eredményez, de kevésbé rossz minőségűt, mint az előírtnál intenzívebb hőmérsékletemelésnél bekövetkező felületi hőkárosodás esetén adódna. A hőntartás csak akkor kezdődhet el, ha elértük a szükséges hőmérsékletet, s nem lehet rövidebb az előírtnál akkor sem, ha a felfűtés időtartama megnövekedett. Persze rövidülhetne ekkor a hőntartás időtartama a tervezettnél nagyobb mikrobapusztítás miatt a felfűtés során, de kisebb mértékben, mint a felfűtés időnövekménye, s ennek pontos mértéke csak bonyolult, hőmérséklettől is függő számítással adódna. Ennek az az indoka, hogy alacsonyabb hőmérsékleten hosszabb idő szükséges ugyanakkora pusztításhoz. Viszont elégtelen gőzellátás miatt megnövekedhet e fázis időtartama annyival, amennyi ideig az előírt hőmérsékletet nem sikerült tartani. Tehát a hőntartás biztosítja a termék mikrobiológiai biztonságát. Hűtéskor már termékbiztonsági problémák nincsenek, viszont eltérő módon történik a szabályozás attól függően, hogy az autokláv vízfürdővel, vagy vízpermettel valósítja meg a hűtést, és hogy mérik-e a konzerv belső hőmérsékletét (maghőmérséklet) vagy csak a hűtő közeg hőmérsékletét (térhőmérséklet). Vízfürdő alkalmazásakor megvalósítható a térhőmérséklet lineáris csökkentése a kívánt 40 °C eléréséig, de a hűtés meredekségét korlátozva analóg módon, mint a felfűtési fázisban. Tehát ekkor megnövekedhet a hűtés időtartama. Permetezős technikájú hűtéskor a térhőmérséklet azonnal lecsökken, s a fázis az előírt időtartamig, vagy tovább tart addig, amíg a maghőmérséklet 40 °C feletti. Ha nem mérik a maghőmérsékletet, akkor az előírt időpontban, de esetleg magasabb hőmérsékletű termékkel fejeződik be a hőkezelés. Az eddigiek alapján elmondható, hogy az automatika biztosítja a termék mikrobiológiai megbízhatóságát elégtelen erőforrás-ellátottság mellett is, de ekkor a fázisok időtartamának növelésével vagy magasabb 61
hőmérsékletű
késztermékkel.
Ezek
a
problémák
viszont
a
labor
körülmények között meghatározott optimális termékminőségtől kisebbnagyobb mértékű eltérést eredményeznek. Ha hosszabb ideig magas hőmérsékletű a konzerv, tovább főzik a terméket, rosszabb minőségű lesz (súlyosabb esetben megpürésedik, elszíneződik, stb.). Még azt a feltevést kell igazolni, hogy a megnövekedett kezelési időtartamok valóban a párhuzamosan zajló folyamatok ütemezetlenségéből erednek. Ehhez az adatokat biztosító vállalatnál kiválasztottam egy hónapot, melynek az összes hőkezelését megvizsgáltam, és kiválasztottam az előírástól eltérő időtartammal kezelteket. A vállalat számítógépen tárolja képfájlokban az összes hőkezelésének térhőmérséklet grafikonját az idő függvényében (11. ábra). Mivel permetezős hűtést alkalmaznak, és nem mérik a maghőmérsékletet, ezért a hűtési fázis időtartama mindig az előírásnak megfelelő. Tehát csak a felfűtés és tartás fázisát elegendő figyelni. Ez utóbbit volt egyszerűbb tanulmányozni, és sehol sem adódott olyan jól látható probléma, hogy a hőmérséklet visszaesett volna az elért értékről.
62
11. ábra: Elégtelen gőzellátás Szerencsére a felfűtés fázisában sem kellett azt a bonyolult technikát alkalmazni az időtartam növekedésének ellenőrzésére, hogy az ábra vízszintes tengelyéről leolvasható időtartamot hasonlítom össze az előírt értékkel, hiszen az automatika kapcsolgatásától mentes, lineáristól elmaradó görbült ív erről árulkodik. A fázis kezdetén (20 °C – 50 °C) látható az automatikával szabályozott gőzszelep nyitásának és zárásának hatása a hőmérsékletre, de utána a nyitott szelep sem eredményezte a kívánt intenzitású fűtést. A felfűtés a legnagyobb gőzigényű fázis, emiatt várható volt, hogy gőzellátási problémák csak itt fognak adódni. A továbbiakban a megnövekedett fűtési idejű esetek mindegyikét megvizsgáltam, és kivétel nélkül azt tapasztaltam, hogy 5-10 perces eltéréssel további 3-4 hőkezelés is ekkor kezdődött más autoklávokban. Vagyis az intenzív gőzigényű fázisok egyszerre jelentkeztek. Ütemezve a párhuzamos hőkezelési folyamatok indítását az automatika biztosítani tudná a sterilképletben meghatározott előírások betartását, s így a jobb minőségű termék előállítását. Tehát ütemezni kell a jobb minőség érdekében. 63
3.2. Egyenetlen kazánterhelés veszteségének vizsgálata
3.2.1. Speciális gázdíj-fizetési szabályok költségei További vizsgálataim a gázfelhasználással kapcsolatos költségekre, illetve ennek optimalizálására irányultak. A fűtőgázra fordítandó költség jelentősebb része a felhasznált mennyiség költsége, a másik a felhasználásra lekötött mennyiségé. Ez utóbbi nagyfogyasztók esetén kötelező, meg kell adniuk fél évvel korábban a következő
egy évre vonatkoztatva az
óránként
felhasználandó
gázmennyiségük felső határát. Ha viszont ezt egy hónap folyamán akár csak egy óra alkalmával túllépik, akkor a havi legnagyobb túllépés mértékével arányos további igen magas, büntető jellegű költséget kell fizetniük: pótdíj = túllépés × fajlagos másféléves lekötésdíj
(14)
Először változatlan, esetleges korlát alatti felhasználás esetén vizsgáltam
a
havi
összköltség
alakulását
a
lekötött
mennyiség
függvényében. A 12. ábrán látható, hogy 350 helyett 600 m3/h lekötött mennyiség 10,1 millió Ft-ról csak 10,7 millió Ft-ra növeli a költséget. Vagyis jelentősebb (csaknem kétszeres) lekötött mennyiség is csak csekély mértékű (10%-nál kevesebb) összköltség emelkedést okoz. Az ábrán azért látható törés, mert 500 m3/h feletti lekötésnél már alacsonyabb egységárú a ténylegesen felhasznált mennyiség, míg a meredekség azért nem változik, mert a lekötött mennyiség egységára változatlan marad.
64
10 800 000 Fizetendő (Ft/hó)
10 700 000 10 600 000 10 500 000 10 400 000 10 300 000 10 200 000 10 100 000 10 000 000 300
350
400
450
500
550
600
650
lekötött gáz (m 3/h)
12. ábra: Havi gázszámla a lekötött gáz függvényében változatlan felhasználás mellett Az ábráról az is leolvasható, hogy 480 és 500 m3/h között nem érdemes lekötést alkalmazni, hiszen 510 m3/h lekötés esetén alacsonyabb összköltség adódik változatlan felhasználás mellett, ráadásul nagyobb biztonsággal kerülhető el a túllépésből adódó igen magas pótdíj, ami kisebb mértékű is lenne a túllépés mértékének alacsonyabb volta miatt. Ezután megvizsgáltam a korlát túllépése esetén jelentkező büntetés összegének alakulását a túllépés mértékének függvényében. A 13. ábrán látható diagram azt mutatja, hogy akár összességében változatlan felhasználás mellett, de kiegyensúlyozatlan kazánterhelés esetén, ha egy hónap folyamán csak egy óra alkalmával túllépnénk a korlátot, ez mekkora havi büntetési összeget jelent a túllépés mértékének függvényében.
65
Büntetés összege (Ft/hó)
3 000 000 2 500 000 2 000 000 1 500 000 1 000 000 500 000 0 0
5
10
15
20
25
30
35
40
45
50
55
3
Túllépés mértéke (m )
13. ábra: A büntetés összege a túllépés mértékének függvényében Következtetésként megállapítható, hogy a gázfizetési algoritmus miatt nem célszerű kis óránkénti gázigényt lekötni, illetve ezt minimalizálni, viszont kívánatos a gázfogyasztás lekötött korlát alatt tartása, ami egyenetlen kazánterhelés mellett nem lenne lehetséges.
3.2.2. A kazán terhelés-hatásfok jelleggörbéjének elemzése A vizsgálathoz szükséges jelleggörbe kritikus, intenzívebb hatásfok változását mutató szakaszát ábrázoló diagram (14. ábra) az adatokat biztosító vállalat kazánjának dokumentációjában állt rendelkezésre azzal a szöveges kiegészítéssel, hogy 50% terhelés felett is folyamatosan nő a hatásfok, és 100% terhelésnél éri el a 90%-ot. Szintén e dokumentáció tartalmazta, hogy ez a jelleggörbe általánosságban minden hagyományos kazánra érvényes. Az ábra függőleges tengelyén a hatásfok azt fejezi ki, hogy
a
kazán
fűtésére
felhasznált 66
gázmennyiségből
kalkulálható
hőmennyiség hány százaléka jelenik meg a kazánból kilépő gőz hőenergiájában. Ez azt jelenti, hogy a hőkezeléshez szükséges mennyiségű hőenergiát alacsonyabb hatásfok esetén nagyobb mennyiségű fűtőgáz tudja csak fedezni. Tehát a maximális hatásfok elérésére kell törekedni, ami a kazán adott terhelése, vagyis a hőkezelendő termék mennyisége mellett elérhető. Az ábra vízszintes tengelyenén a kazán terhelése százalékban azt fejezi ki, hogy az időegység alatt maximálisan biztosítható, gőz formájában kilépő hőmennyiség hány százalékával terheljük a kazánt.
14. ábra: Kazán hatásfoka a terhelés függvényében (forrás: kazán dokumentációja) Hipotézisem szerint az időben változatlan értékű kazánterhelés biztosítja az elérhető maximális átlagos hatásfokot, míg a nagyobb ingadozású,
szórású
terhelések
alacsonyabb
átlagos
hatásfokot
eredményeznek ugyanakkora átlagos terhelés mellett, vagyis ugyanakkora mennyiségű termék hőkezelése során. Ahhoz, hogy adott terheléshez automatikusan megkaphassuk a hatásfokot, szükségünk volt a jelleggörbét leíró matematikai formájú függvényre. Tehát egy olyan függvényt kerestem, mely a [0, 1] intervallum értékeihez (ami a [0%, 100%] terheléstartomány megfelelője,) hozzárendeli 67
a grafikonon látható hatásfok értékeket. A görbe jellegéhez illeszkedő 0 és 1 közötti kitevőjű f(x)=xn hatványfüggvényt (gyökös) választottam. A függvény lefelé eltolására (transzformációjára) is szükség volt (kb. 10%kal), így a pontos érték megtalálása érdekében ezt is paraméternek tekintettem. Tehát a terhelés és a hatásfok kapcsolatát leíró függvényt a következő formában kerestem: y = f (x) = x n − d ,
(15)
ahol: •
x – terhelés,
•
y – hatásfok,
•
n, d – keresett paraméterek.
A paraméterek értékét az Excel program Solver bővítményével kerestem meg a legkisebb négyzetek módszerét alkalmazva. Ehhez a jelleggörbéről leolvastam adott terhelésekhez (10%-os lépésenként) a hatáfok értékeket, s az ettől legkisebb mértékű eltérést eredményező paramétereket kaptam. Így a következő függvény adódott: y = f ( x ) = x 0, 2 − 0,09 .
(16)
Az ismert hatásfok adatokból képzett grafikon és a modelljéül szolgáló függvény ábrázolása mutatta (15. ábra), hogy a két adatsor statisztikai egyezőségének vizsgálatára már nincs szükség. Az ábrán szaggatott vonallal a kazán jelleggörbéjéről leolvasott pontokon áthaladó görbe látható, míg a másik, a keresett függvénnyel adódott értékeken alapul.
68
Ismert Hatásfok
Számított hatásfok
95% 90%
Hatásfok (%)
85% 80% 75% 70% 65% 60% 55% 50% 0%
20%
40%
60%
80%
100%
120%
Terhelés (%)
15. ábra: Ismert és számított hatásfokgörbék a terhelés függvényében. A függvény segítségével már tetszőleges értékű terheléshez megkapható a hatásfok. Az elemzés során arra kerestem a választ, hogy adott átlagértékű, de különböző szórású, eloszlású kazánterhelések, milyen átlagértékű hatásfokot eredményeznek (1. táblázat). Így megkapható, hogy adott termékmennyiség (kazánterhelés) hőkezelése mekkora hatásfokkal, ebből következően gázfelhasználással biztosítható a terhelés egyenletességétől függően. A hatásfok relatív vesztesége azt mutatja, hogy az adott átlagos terhelés mellett maximálisan elérhető hatásfokhoz viszonyítva, mekkora veszteség jelenik meg százalékban. A terhelés eloszlása azt az értéktartományt jelenti, melyben mozog a kazán terhelése.
69
1. táblázat: Kazán hatásfokának elemzése különböző terhelések mellett Hatásfok
Költségnövekedés
Átlagos
Terhelés
Átlagos
relatív
100 millió Ft-os éves
terhelés
eloszlása
hatásfok
vesztesége
gázdíj esetén
70%-70%
84,11%
0,0%
0
65%-75%
84,06%
0,1%
100 eFt
40%-100%
82,66%
1,8%
1 800 eFt
50%-50%
78,06%
0,0%
0
30%-70%
75,83%
2,9%
2 900 eFt
20%-80%
75,39%
3,5%
3 500 eFt
10%-90%
74,39%
4,9%
4 900 eFt
30%-30%
69,60%
0,0%
0
10%-50%
65,58%
6,1%
6 100 eFt
70%
50%
30%
A
kazánterhelések
százalékos
adatának
generálásához
a
gyakorlatban lehetséges átlagértékeket és közelítő eloszlásukat vettem figyelembe. A kazán terhelésének éves átlaga 50% körüli. Egyenetlen terhelés egyik fő indoka a szezonalitás, amikor az egyes termékek igen nagy eltéréssel igényelnek hőkezelést. Természetesen ekkor nincs mód a terhelés kiegyensúlyozására. Egy másik, kutatásom szempontjából lényegesebb eset, amikor egyszerre többfajta, eltérő terheléssel járó terméket készítenek, s a gyártás műszakokra bontása során ezt nem veszik figyelembe, mint ahogy a jelenlegi gyakorlatban is ezt tapasztaltam. Ekkor például a műszakonkénti 50%-os átlagos terhelés helyett jellemző, hogy az egymást követő műszakokban akár 30%-os és 70%-os átlagterhelés jelentkezik. Viszont egy műszakon belül is nagy eltérések adódhatnak, amikor a párhuzamosan, több autoklávban zajló hőkezeléseket nem hangolják össze. 70
Mindebből látható, hogy a terhelések eloszlása nagyon széles skálán mozoghat, de például normális eloszlásúnak biztosan nem tekinthető. Emiatt a terhelés kiegyensúlyozatlanságára jellemző, különböző értékhatárok közötti egyenletes eloszlású adatsort generáltam. Meghatároztam az így adódó hatásfokok átlagát és a relatív eltérést a kiegyensúlyozott állapothoz képest.
E
relatív
vesztesége
a
hatásfoknak
egyúttal
a
kazán
gázfelhasználásának vesztesége. A vizsgálat során 30, 50 és 70% átlagos terhelések mindegyikénél megvizsgáltam, hogy a szórás milyen mértékben befolyásolja a hatásfokot. Az 1. táblázat utolsó oszlopában látható, hogy az adott átlagterhelés mellett mekkora relatív eltérése adódik a hatásfoknak, s így a költségnek a maximálisan elérhető, szórás nélküli esettől. Az
eredményekből
látható,
hogy
a
terhelés
kiegyensúlyozatlanságának növekedésével a veszteség is emelkedik. Kisebb átlagterhelések mellett nagyobb jelentősége van a terhelés kiegyenlítésének, hiszen ekkor 6% is lehet a relatív veszteség. Az éves átlagnak tekinthető 50%-os terhelés mellett a legrosszabb esetben csaknem 5% veszteség adódott, ami például 100 millió Ft éves gázdíj esetén 5 millió Ft költségnövekedést jelent.
3.3. Költségcsökkentés gyártásprogramozással
3.3.1. Gyártósori termékütközés A vállalatok valamilyen rendszerességgel gyártási tervet készítenek a következő időszakra. A kutatási terepet biztosító vállalatnál heti 71
rendszerességgel a következő hét gyártási tervét állítják össze, melynek legfontosabb eleme, hogy az egyes műszakokban mely termékeik gyártására kerüljön sor. Több gyártósorral rendelkeznek, és termékfüggő, hogy a termék melyik soron gyártható. Ezt a sor végén lévő konzervzáró gép szabja meg, mely csak adott átmérőjű dobozt képes kezelni, s csak a doboz magasságához igazodó beállításokat biztosítja. Ebből következően több termék is készíthető egy adott gyártósoron amennyiben a doboz mérete ezt lehetővé teszi, de az átállítási időveszteség miatt műszakonként csak egyikük. A heti terv nem tartalmazza, hogy a termék gyártása melyik soron történjen,
mert
minden
zárógépük
eltérő
átmérőjű
dobozokhoz
alkalmazható. Tehát a termék egyértelműen meghatározza a gyártósort. Ez viszont olyan hibáját tartogatja a tervnek, hogy annak ellenére, hogy különböző termékeket állítanak be egy műszak során, mégis termékütközés következhet be a gyártósoroknál. Persze erre a hibára fizikailag nem akkor derül fény, amikor már a két termék alapanyagai megjelennek a gyártósor elején, de a gyártáshoz szükséges rendelések, szállítások megtörténnek, s emiatt indokolatlan raktározási, átszervezési költségek jelennek meg. A terv és az abból adódó folyamatok adatai a jelenlegi gyakorlatban számítógépes ellenőrzés nélküliek, emiatt emberi figyelmetlenség folytán könnyen adódhat ilyen probléma. A gyártósori termékütközésből származó többletköltségek éves kalkulációja nagy bizonytalansággal végezhető csak el. Függ az előfordulás gyakoriságától, a hiba korai felismerésétől és a terméktől, alapanyagainak tárolási, esetleg hűtőtárolási költségeitől. Ezek az adatok a vállalat korábbi működésének dokumentációjából nem fejthetők vissza, mert csak a megvalósított termelés adatait tárolják. Emiatt nem mutathatható ki az sem, hogy a raktározási költségek hány százaléka származott hibás tervezésből. 72
Viszont ezek a költségek könnyen elkerülhetők újabb gyártósor(ok) kialakításával. Az ehhez szükséges beruházás gazdaságilag csak akkor indokolható, ha a gyártósorok kihasználtsági vizsgálata ezt mutatná vagy olyan termékstruktúra váltást terveznek kialakítani, mely ezt megköveteli. A fejlesztendő szoftverbe tehát ki fogok alakítani funkciót adott időszak kihasználtságának kimutatására gyártósoronként, valamint a hibás tervezés miatt fellépő termékütközés előrejelzésére.
3.3.2. Autoklávkapacitást meghaladó terv Nehezebben látható tervezési hiba, amikor olyan termékek készülnek párhuzamosan a gyártósorokon, melyek hőkezelése külön-külön is nagy kapacitást igényel, s emiatt együttesen meghaladják az autoklávok számából adódó korlátot. Ráadásul ez a hiba már csak akkor derül ki, mikor a gyártósorokról a hőkezelő üzembe érkeznek a termékek, ahol folyamatosan növekvő várakozási sort alkotnak. Viszont szigorú előírás tartalmazza, hogy mennyi lehet maximálisan a várakozási idő a hőkezelés megkezdéséig. Ha ezt nem tudják betartani, akkor átmeneti hűtőtárolást kell biztosítani, mert ennek hiányában nagyságrendekkel megnövekedhet a csíraszám a konzervekben. Az ilyen körülményeket szokták biztonsági okokból rátartással bekalkulálni a sterilképletbe, de egy mértéken felüli mikroba aktivitás a konzervek felrobbanásával jár. Ez nem a pár órás várakozó sorban következne be, hanem a hőkezelést követő egy-két hetes kötelező karantén tárolás során, vagy rosszabb esetben a vásárló otthonában amiatt, mert nem az irreálisan megnövekedett kezdeti csíraszámra határozták meg a sterilképletet. Az anyagi kár jelentős, mert ekkor a teljes hőkezelési adag (kb. 1 tonna) vagy akár a műszakban gyártott mennyiség veszélyeztetett, s így laborvizsgálat után további hőkezelést igényel, vagy megsemmisítésre 73
kerül. A vizsgált vállalat gyakorlatában az ilyen hiba elkerülésére az elkészült tervet megmutatják a hőkezelő üzemben több éves gyakorlattal rendelkező személynek, aki tapasztalatai alapján dönt a változtatás szükségességéről. Egy műszak során az autoklávok kapacitását meghaladó terv az éves gázdíj költségének 3-6%-ával megegyező bevétel kiesést jelent. Ennek mértéke függ a fellépő kapacitáshiány nagyságától, a szükséges hűtőtárolás költségeitől, a még menthető tételek számától és a hiba menedzselésétől. Ha csak a műszakok egy százalékában kellene ezzel kalkulálni, akkor egy évben a hétszeri előfordulás már 21-42% veszteséget jelent évente az éves gázdíjjal kifejezve (pl. 21-42 millió Ft/év). E nagyfokú veszteség elkerülése a legkönnyebben további autoklávokkal, vagyis kapacitásnöveléssel megoldható, de az ehhez szükséges beruházás gazdaságilag csak akkor indokolható, ha az autoklávok kihasználtsági vizsgálata ezt mutatná. A fejlesztendő szoftverbe fontos kialakítani a terv autokláv szükségletét műszakonként előrejelző funkciót.
3.3.3. A múszakok eltérő hőigénye Költségvonzatában nem ennyire markánsan jelentkezik, és emiatt a jelenlegi gyakorlat nem is tud róla vagy számítások hiányában és/vagy a probléma kezelésének bonyolultsága folytán elhanyagolhatónak tekinti, hogy az egyes műszakokra tervezett termékek előállítása nagy eltéréseket okozhat a kazán terheltségében. Ennek költségekben megjelenő hatását egy korábbi részben tárgyaltam. A probléma forrása, hogy a termékek hőkezelési igénye két-háromszoros eltérésű. Ebből az következik, hogy az azonos gyártósori kapacitások szempontjából kialakított terv nem jelenti a 74
kazán
terhelésének
műszakonkénti
egyenletességét.
A
műszakok
hőigényének eltérése alacsonyabb mértékű lehet az egyes műszakokra tervezett termékek gyártásának műszakok közötti átcsoportosításával. Így biztosítható a kazán terhelésének kiegyensúlyozásával a jobb hatásfokú gőz előállítás, s az alacsonyabb költég. A megtakarítás mértéke a program futtatási tapasztalatai alapján lesz látható, melyet a 3.5 fejezetben mutatok be.
3.4. Rendszer kifejlesztése egy vállalat számára További kutatásom a gyártásprogramozásra irányult, melyhez egy másik vállalat biztosította a terepet. A remélt, legegyszerűbb esetben a kísérleti
modell
adaptálására
lett
volna
szükség,
kiegészítve
a
gyártásprogramozás modullal. Az adaptáció végrehajtásához minden termék esetén rendelkezni kell a hőkezelés során fellépő gőz-, illetve vízfogyasztás idősori adatával. Ezek alapján aktualizálhatók a kísérleti modell jelleggörbéi, melyek a számítások alapját biztosítják. Viszont ilyen adatok nem álltak rendelkezésre, s lehetőség sem volt a szükséges mérések elvégzésére. Fel kellett térképezni a rendelkezésre álló adatokat, megvizsgálni a modell kialakításához elegendőségüket. Ehhez először adatgyűjtésre és adattisztításra volt szükség. Statisztikai eszközökkel kiválasztani a modellezéshez szükséges adatokat. Új modellt kellett fejleszteni, és a szoftvert a gyártásprogramozási modullal is ki kellett egészíteni. Mindezek miatt nem volt célszerű a korábbi, kísérleti program átalakítása, új konceptuális terv alapján, más alapokra helyezve kellett elkészíteni a szoftvert.
75
3.4.1. Adatelőkészítés, elemzés A modellezéshez szükséges a rendelkezésre álló adatok, anyag- és erőforrás-áramlások (16. ábra) részletesebb vizsgálata. Ehhez először felmértem, hogy a modellezés megvalósításához milyen adatokra lenne szükség, majd az igen változatos formában rendelkezésünkre állók közül a lehető legpontosabb módon előállítottam őket. Gyártó vonalak Kezeletlen konzervek Hőkezelő üzem gáz
gőz
Kazán
Hőkezelő berendezések
gőz
Hőkezelt konzervek
Épületek (fűtés, melegvíz)
Raktár
16. ábra: Anyagok és erőforrások áramlása Több gyártósorról eltérő ütemben érkeznek a hőkezelő üzembe a még kezeletlen konzervek (16. ábra). Az egyes gyártósorokon különböző termékek készülnek, s így eltérő hőkezelési előírások vonatkozhatnak rájuk. A hőkezelést több autokláv biztosítja. Egy berendezésben akkor indul el a hőkezelési folyamat, amikor az azonos hőkezelési előírású termékekből összegyűlt mennyiség tele töltetet eredményez. Így biztosítható a minimális fajlagos költség. A hőkezelő berendezések gőzellátását egy gáztüzelésű kazán biztosítja, melynek feladata az épületek, irodák fűtése is téli időszakban. Az alkalmazott autoklávok csepegtetős rendszerű hűtést 76
alkalmaznak, ezért sokkal alacsonyabb vízfelhasználásúak. Emiatt hűtési problémák sem fordultak elő, tehát feleslegessé vált a vízfelhasználás modellezése. A gázfogyasztás modellezéséhez szükséges kinyerhető adatok: •
A hőkezelendő termékek esetén a sajnos nem mérhető gőzfogyasztás helyett a gőzfogyasztást okozó hőkezelési folyamatok adatai:
o A hőkezelés megkezdésének időpontja o Tömeg o Hőkezelési folyamat lefolyása:
•
Elért hőmérséklet
Felfűtési idő
Hőntartási idő
Fűtési időszakban a fűtésre fordított gőzfogyasztás helyett ennek mértékét befolyásoló:
o hőmérséklet •
A felhasznált gázra vonatkozó rendelkezésre álló adatok:
o A fogyasztott mennyiség időbeli alakulása, mely alapján tesztelhető modellünk jósága
Hipotézisünk szerint összefüggésnek kell mutatkoznia a hőkezelt termékmennyiség és a felhasznált gáz mennyisége között. Amennyiben az így kapott korreláció nem mutat elegendően szoros kapcsolatot, akkor az épületek fűtésére fordított gőzmennyiség adatának hiányában a korrelációs vizsgálatokba be kell vonnunk az ismert környezeti hőmérséklet adatokat is, mely ezt helyettesítheti. Ha ekkor sem kapnánk megfelelő korrelációt, más alapokra kellene helyeznünk a modell kialakítását. Ellenkező esetben lineáris regressziós vizsgálattal kaphatjuk meg a gyártóvonalakról érkező 77
ismert termékmennyiség (és esetleg a hőmérséklet) függvényében a felhasználandó gázmennyiséget. Az elérhető adatok a következő változatos formában álltak rendelkezésre: •
Hőkezelési napló fájl (xls fájl, kézzel begépelt adatokkal):
o Berendezés sorszáma (melyben történt a kezelés) o Termék neve o Tömeg o Hőkezelés kezdési és befejezési időpontja •
Egy
berendezésben
egy
hőkezelési
folyamat
befejezésekor
automatikusan generálódó fájlok (jpg képfájl)
o Az idő függvényében látható a hőkezelés hőmérsékletének alakulása (17. ábra)
o A fájl nevében (pl. 071016_2231_02_1105.jpg) lévő adatok:
Befejezés időpontja
Berendezés sorszáma
Hőkezelési előírás kódszáma
78
17. ábra: Egy berendezés egy hőkezelési folyamatát megjelenítő képfájl •
Termékekre vonatkozó hőkezelési előírások (Papír):
o Hőkezelési előírás kódszáma o Elérendő hőmérséklet o Felfűtési idő o Hőntartási idő o Hűtési idő •
Óránkénti gázfogyasztás (txt szövegfájl):
o Egy órás időintervallumban fogyasztott mennyiség (m3) o Az intervallum kezdő időpontja o A
gáz
hőmérséklete
hőmérsékletnek tekinthető)
79
(mely
a
légköri,
„időjárási”
Adatainkat először egy közös felhasználói felületen kezelhetővé hoztam. Erre a célra az Excel környezetet találtam a legalkalmasabbnak. Itt elvégezhető a modellezés, valamint a korreláció és regresszió analízis is. A papír alapú adatokat begépeltem, a szöveg (Txt) fájlokat importáltam, míg a kép (jpg) fájlok nevéből megfelelő DOS (dir) parancs kimenetének átirányításával text fájlt készítettem, melyet már tudtam importálni. Egyedül a képfájlok tartalmában látható adatok kinyerése nem volt automatizálható. Ezekre azért lett volna szükség, mert a ténylegesen bekövetkezett, pontos, automatizált mérésen alapuló értékeket tartalmazta, szemben a naplófájl kézi begépelésű adataival. A hőkezelés pontos kezdeti időpontjának meghatározása okozta a legnagyobb problémát. A jpg fájl neve a pontos befejezési időpontot tartalmazza, valamint a hőkezelési előírás kódszámát, mely alapján megkapható a hőkezelés előírás szerinti időtartama. Ebből számítható a kezdés időpontja, amit néha még korrigálni kell a képfájl alapján csak szemmel látható előírásokhoz képesti felfűtési idő megnövekedése miatt, melyet az elégtelen gőzellátás okoz. Egy ilyen esetet mutat a 18. ábra, melyen az előírásoknak megfelelő lineáris felfűtési fázist nem sikerült betartani. A pontos adat tehát három forrásra támaszkodott: a képfájl nevére, tartalmára és a hőkezelési előírások adataira.
80
18. ábra: Elégtelen gőzellátás A pontos adatok birtokában először arra kerestem a választ, hogy a napi hőkezelt termékmennyiség és a napi gázfogyasztás között kellően szoros-e a kapcsolat. Ekkor még nem vettem figyelembe, hogy az épületek fűtésére is fordítódik fűtési időszakban valamekkora rész a kazán által termelt gőzből. A vizsgálathoz szükséges napi gázfogyasztást az óránkénti adatok 6:00-6:00-ig adódó összegeként, míg a hőkezelt termékmennyiséget a naplófájl adatainak naponkénti összesítésével kaptam a 09.12-11.16 időszak munkanapjainak esetében. Lineáris regresszió vizsgálattal kerestem összefüggést a mennyiségek között, de a korreláció 64%-ra adódott, mely alacsony érték nem mutatott kellően szoros kapcsolatot, a modellezés valamilyen hibájára utalt. Emiatt részletesebben megvizsgáltam az eredményeket, elemeztem a lineáris regresszió egyenesétől való eltéréseket (19. ábra), melyek pár kivételtől eltekintve október 15 előtti is utáni napok esetében ellentétes előjelűek voltak. Október 15 volt a fűtési időszak kezdete, tehát a gázfogyasztás modellezésében szerepet kellett kapnia a fűtésnek, mely a hőmérséklettel mutathat összefüggést. 81
Gázfogyasztás (m3/nap)
3 Lineáris trendvonal
Nyári Lineáris (Nyári)
Téli Lineáris (Téli)
7 000 6 000 5 000 4 000 3 000 2 000 1 000 0 0
10 000
20 000
30 000
40 000
50 000
60 000
Hőkezelt termékmennyiség (kg/nap)
19. ábra: Nyári és téli napokon mért gázfogyasztás a termékmennyiség függvényében Következő lineáris regresszió és korreláció vizsgálatom már csak a fűtési időszakban, vagyis a gázfogyasztás modellezhetőségének kritikusabb esetében kereste a kapcsolatot a termékmennyiség és a hőmérséklet függvényében a gázfogyasztással. A modellezhetőségre csak akkor adható pozitív válasz és az épületek fűtésének gázigénye is csak akkor választható szét a hőkezelések gázigényétől, ha ebben az összetettebb esetben is még elég magas korrelációs értéket kapok. Ekkor már kellően szoros kapcsolatot kaptam, s így értelmezhettem a lineáris regresszióra kapott adatokat is: •
Korreláció: 91%.
•
A koefficiensek a tengelymetszet kivételével 5% alatti hibát jeleztek.
•
1 °C hőmérséklet csökkenés 98 m3 gázfogyasztás növekedéssel jár.
•
1 t termékmennyiség változás 75 m3 gázfogyasztás változást okoz.
A nyári adatok esetén a korreláció 93% volt.
82
Adat előkészítő, elemző munkám során az alábbi következtetésekre jutottam: •
A
keresendő
modellhez
szükséges
információk
nehezen
hozzáférhetők, azonban munkánk eredményeként adatbevitel, adat transzformáció és adattisztítás után rendelkezésemre állhatnak. •
Az épületek fűtésének gázigénye (mérés hiányában) matematikai módszerekkel elkülöníthető a hőkezelés igényétől. A pontos adatok birtokában elkészítettem egy hőkezelési folyamat
gőzfelhasználását az idő függvényében leíró matematikai modellt.
3.4.2. Egy hőkezelési folyamat gőzszükségletének modellezése A
valós
jelenségek
modellezése során
minden
körülményt
figyelembe vennünk lehetetlen, vagy legalábbis nem érdemes. Az egyszerűbb modell, illetve sokszor csak a modellezhetőség érdekében a kevésbé jelentős vagy csak annak hitt részleteket ki kell hagynunk. Viszont a túlzott egyszerűsítés nem mehet a modell rovására. Fel kell derítenünk a jelenséget, folyamatot leíró paramétereket, és a köztük lévő kapcsolatokat. A 20. ábra felső részén az idő függvényében látható az előírt (a termékhez rendelt sterilképletből ismert) gőztér hőmérséklet, alatta az ehhez szükséges gőz tömegáram időbeli alakulása (ismeretlen, meghatározandó).
83
q1 q(t) = ce at + q 2 0
ha t < ta ha t a ≤ t < t a + t b különben
20. ábra: Az előírt hőmérséklet és a gőz tömegáram időbeli alakulása Hőkezelési előírásból ismert termékfüggő adatok: T - elérendő hőmérséklet (°C) ta - felfűtési idő (perc) tb - hőntartási idő (perc) tc - hűtési idő (perc) Meghatározandó a q(t) gőz tömegáram (kg/perc) paraméterei. Q - felfűtés gőzigénye (kg), termék tömegétől függő érték q2 - gőz tömegáram vesztesége (kg/perc), terméktől független állandó c, a - q(t) függvény görbületi paraméterei, egyikük terméktől független, mely a másikat meghatározza.
84
A modell ismeretében megkaphatom az egyes berendezések gőzigényének időbeli alakulását, mely függ a kezelendő termékektől (így a hőkezelési előírástól) és a kezdési időpontoktól.
3.4.2.1. A gőz tömegáram matematikai modelljének meghatározása Egy berendezésben egy termék hőkezelési folyamata során az idő függvényében kellett meghatároznom a gőz tömegáramot. A gőz tömegáram vesztesége (q2) a berendezés falán át időegység alatt távozó hőmennyiség. Ez függ a berendezések szigetelésétől, valamint a belső és külső hőmérséklet
különbségétől.
Viszont
a
berendezések
egyformának
tekinthetők és minden termék pár foktól eltekintve azonos hőmérsékleten kezelendő, ezért q2 terméktől független állandónak tekinthető a folyamat teljes időtartama alatt. A felfűtés időtartamának teljes gőzigénye (Q) egyenesen arányos a termék
tömegével,
valamint
a
kezdeti
és
végső
hőmérsékletek
különbségével. De a hőmérsékletek minden terméknél közel egyezőek, így Q számítása a következő módon írható le: Q = k⋅m ,
(17)
ahol: m – termék mennyisége (kg), k – terméktől független arányossági tényező (kg/kg).
Az eddigi adatok (q2, k) és a felfűtés időtartamának (ta) ismeretében már a felfűtési fázis egységnyi idejére jutó gőzmennyiség, vagyis a gőz tömegáram (q1) már számítható azt az egyszerűsítést alkalmazva a modell
85
könnyebb kezelhetőségére, hogy ez a gőzmennyiség egyenletesen jelentkezik:
q1 = q 2 + A
Q k⋅m = q2 + ta ta
hőkezelési
folyamat
(18) hőntartási
fázisában
a
konzervek
folyamatosan melegednek a berendezésben uralkodó gőztér hőmérsékletére, így exponenciálisan csökken a q1 értékről az a szükséges gőz tömegáram, mely biztosítja a gőztér hőmérsékletének fenntartását. A folyamat exponenciális jellege abból adódik, hogy adott időtartam alatt mindig azonos hányadával csökken a termék hőmérsékletének eltérése a gőztér hőmérsékletétől (Eszes és mtsai, 2003). Az exponenciális ív görbületét az ’a’ és ’c’ paraméterek bármelyikének megadásával leírhatjuk, míg a másik értéke abból a feltételből adódik, hogy az ív a q1 értékről induljon a hőntartás kezdetekor (a ta időpillanatban). Például az ’a’ paraméter tetszőleges (persze negatív) választása esetén: q ( t a ) = c ⋅ e ata + q 2 = q1 ⇒ c =
q1 − q 2 e ata
(19)
Ha viszont a hőntartási fázis gőzfelhasználását leíró függvényt nem a korábbi q ( t ) = c ⋅ e at + q 2
(20)
alakban keressük, hanem a vele egyenértékű q(t ) = c ⋅ ea ( t−ta ) + q 2
(21)
változatban, akkor a korábbihoz hasonló átalakítás a c paraméter meghatározására egyszerűbb módot ad: q ( t a ) = c ⋅ e a ( t a − t a ) + q 2 = c ⋅ e 0 + q 2 = c + q 2 = q 1 ⇒ c = q1 − q 2 86
(22)
A programban
a 20.
ábrán szereplő
matematikai modellt
alaklamazom, emiatt a (22) összefüggés helyett a (19) alkalmazandó.
3.4.2.2. A matematikai modell paramétereinek meghatározása Az eddigi eredményeink alapján egyetlen berendezésben zajló hőkezelési folyamat gőzigényét tudjuk számítani három tetszőlegesen választható paraméter (q2, k, a) alapján. Most arra keressük a választ, hogy e paraméterek mely értékkombinációja adja a legjobb modellt. Ehhez a valós folyamat mért adatait kell összehasonlítanunk a számítottal, s a legkisebb eltérést eredményező
értékkombinációját keressük a modellt leíró
paramétereknek. Viszont ezekkel a mérhető adatokkal nem rendelkezünk, s a vállalat nem is tervezi csak a modell egyszerűbb meghatározásához szükséges igen költséges műszer beszerzését. Ezért a modell paramétereinek pontosítása a gőzt előállító kazánnál mért gázfelhasználás alapján történhet a számított adatoktól eltérés alapján. Ehhez pedig olyan számítógépes szimulációs eszközt, szimulátort kellett kialakítani, mely egy 24 órás időintervallumban
percről
percre
képzi
a
párhuzamosan
működő
berendezésekben egymás után lejátszódó hőkezelési folyamatok modell alapján számított pillanatnyi gőzigényeinek összegét, melyből már számítható a berendezések gőzellátását biztosító kazán gáz-szükséglete.
3.4.2.3. A paraméterek beállításához kialakított szimulátor Excel munkafüzetet alakítottam ki a számítások végrehajtásához, mellyel egy nap gázfogyasztását 24 adattal, az óránként hőkezelésre fordított értékekkel kapjuk meg. A számításhoz szükséges adatok tárolását három munkalapon valósítottam meg: 87
•
termékek adatai,
•
hőkezelési előírások adatai,
•
elvégzett hőkezelések adatai.
Az elvégzett hőkezelések adataiból a számításhoz felhasználtam a kezelés megkezdésének időpontját, az autokláv sorszámát, a kezelt termék tömegét (m) és termék kódját, mely alapján a termék és a hőkezelési előírás adataiból megkaptam a felfűtés és hőntartás időtartamának értékeit (ta, tb). Egy másik munkalapon végeztem a számításokat, ahol felvettem egy-egy cellába a modell paramétereinek (q2, k, a) kezdetben becsült értékét, s gyűjtöttem ki egy nap hőkezelésének az adatait (m, ta, tb) egy-egy oszlopba hőkezelésenként. Ezekben az oszlopokban további cellákba kiszámítottam a q1 és c értékeket, majd percenként egy-egy cellába az elkészített q(t) munkalapfüggvénnyel (gőzfogy) az adott perc gőzfelhasználását. Az elkészített munkalapfüggvény Visual Basic nyelven:
Public Function gőzfogy(c, a, ta, tb, q1, q2, t) t = t * 24 * 60 If t < 0 Then gőzfogy = 0 ElseIf t < ta Then gőzfogy = q1 ElseIf t < ta + tb Then gőzfogy = c * Exp(a * t) + q2 Else gőzfogy = 0 End If End Function A
függvény utolsó
paramétere
a
„t”,
mely
a
hőkezelés
megkezdésétől eltelt idő nap mértékegységben (az Excel logikája miatt), melynek értéke a cella pozíciója által meghatározott időpont és a kezelés 88
kezdésének időpontja különbségeként adódik. Ezt először át kell váltani percbe, mert a függvény kg/perc mértékegységben adja az igényelt gőz tömegáramát, így az eredmény az adott percben fogyasztott gőz mennyiségét jelenti kg-ban. A szimulátorral összegzéssel további oszlopokban részeredményként megkapjuk autoklávonként a gőzfelhasználást. A 21. ábrán példaként három párhuzamosan működő berendezés modellezéssel kapott gőzfelhasználása látható egy nap folyamán (három műszak). Az ábrán azért csak három berendezés
adata
szerepel,
mert
ennél
több
megjelenítése
már
átláthatatlanná tenné az értelmezését. További összegzéssel megkapjuk a napi teljes gőzigényt percenként (22. ábra). A 21. és 22. ábra modellünk kezdeti paraméterértékei mellett adódtak az adatokat biztosító vállalatnál egy nap alkalmával ténylegesen lejátszódó hőkezelések alapján. Hőkezelő1
Hőkezelő2
Hőkezelő3
35 30
q (kg/min)
25 20 15 10 5 0 -5 -10 06:00
10:00
14:00
18:00
22:00
02:00
06:00
idő
21. ábra: Gőzfogyasztás három párhuzamosan működő berendezésben
89
160 140
q (kg/min)
120 100 80 60 40 20 0 -20 06:00
10:00
14:00
18:00
22:00
02:00
06:00
idő
22. ábra: Az üzem összes párhuzamosan működő berendezésének összegzett gőzfogyasztása További részösszegekkel óránkénti adatokat kapunk a gőzigényről. Ebből a 24 adatból kell képezni a gázigény adatait, de ehhez figyelembe kell azt is venni, hogy az előállított gőz egy része veszteségekre fordítódik. A kazán esetén a korábban vizsgált hatásfok fejez ki egy veszteséget, míg az autoklávok esetén a q1 érték. Még a gőzt a kazántól az autoklávokba szállító csővezetékeken megjelenő veszteséggel is számolnunk kell. Ez szintén ismeretlen, s a modell egy újabb paramétereként (G) jelenik meg, mint az a gázmennyiség, ami a veszteségeket fedezi m3/h mértékegységben. Ezt időben állandónak tekinthetjük. A kazán műszaki leírásában szereplő adat volt, hogy egy tonna gőz előállításához körülbelül 80 m3 gáz szükséges. Tehát így kiszámítható a hőkezelések gőzszükségletének átváltásával és a veszteségből
együttesen
megjelenő,
modellezéssel
kapott
óránkénti
gázfogyasztás. Ezt lehet összevetni a mért óránkénti gázfogyasztással.
90
A modell paramétereinek (q2, k, a, G) értékeit ezután az Excel Solver bővítményével kaptam meg a legkisebb négyzetek módszerrel. Viszont az egyes napok modellezése eltérő eredményt adott a paraméterekre. Ezért öt nap (egy kiválasztott hét munkanapjai) Solverrel kapott paraméterinek átlagát tekintettem végeredménynek, amit ellenőriznem kellett (modell verifikálás), hogy statisztikailag egyezőnek tekinthető-e az így kapott paraméterekkel modellezett nap gázfelhasználása a mért adatokkal. Ezt mind az 5 nap esetén párosított t-próbával ellenőrizve megfelelőnek találtam, szignifikáns eltérés nem adódott (p<0,05). A következő lépésben azt is megvizsgáltam, hogy a modell olyan hét napjai esetén is megfelel-e, mely nem képezte a modell meghatározását (modell validálás). Hasonló módszerrel szintén pozitív választ kaptam. Tehát a modell és a szimulátor alkalmazható a szoftverrendszerben is. A szimulátor futtatása során nem várt probléma jelentkezett. A hatalmas számításigény miatt a futásidő mintegy negyed óra volt. Ez azzal magyarázható, hogy egy nap közel 100 hőkezelésének adatai percenként egy-egy
cellában
100×24×60=144000
cella
kiértékelését
jelentette
munkalapfüggvénnyel. Emiatt a készülő szoftverrendszer nem veheti át ugyanebben a formában a szimulátort. Tehát célszerű a fejlesztendő programhoz a szimulátort is újratervezni a tapasztalatok alapján. Akkor már nem a paraméterek beállításához, hanem az előrejelzés és az ütemezés végrehajtásához szükséges a gyors szimuláció.
3.4.3. A szoftverrendszer terve Mivel a programunk egy szimulátort is tartalmaz, célszerű olyan komponensekkel is kiegészíteni mely a modell paramétereinek újbóli 91
meghatározását támogatja. Így a program a modell időszakonkénti ellenőrzésére is alkalmas lesz, valamint könnyű adaptálhatóságot biztosít más vállalatoknál. Korábbi szimulátorunk csak egy nap adatait kezelte, de a gyártásprogramozás heti terve miatt ez nem megfelelő. A szimulátornál tapasztalt hosszú futási idő miatt is célszerű minden részletet alaposan megtervezni, a szoftverkörnyezetet és a felhasználóbarát kezelési módot figyelembe venni.
3.4.3.1. Szoftverkörnyezet A felhasználó érdekeit leginkább szolgálná egy számára már ismert, Excel táblázatkezelővel elérhető adattár. Így a változó igényeknek megfelelő, előre nem tervezhető adatfeldolgozások, grafikonkészítések könnyen elvégezhetőek lennének. Szintén a táblázatkezelő alkalmazása mellett szól, hogy egyszerű lehetőséget biztosít mind a számítási, mind a grafikonmegjelenítési
programfunkciók
ellátására,
egyúttal
fejlesztő
környezetként is használható a Visual Basic for Applications (VBA) szolgáltatásával a program elkészítéséhez. Viszont adatbázis-kezelő program használatát indokolja az adattárolás egyszerűbb megvalósítása, a kialakítandó program több funkciója, valamint a kézi adatbevitel felhasználóbarát módját biztosító űrlapos technika alkalmazhatósága. Szerencsére nem kell lemondanunk sem a táblázatkezelő, sem az adatbáziskezelő alkalmazásáról, mivel az Access adatbázis-kezelő programmal Excel munkalapokat csatolt táblaként tudunk használni. Ez azt jelenti, hogy adataink fizikai tárolása Excel munkalapokon valósul meg, miközben az Access úgy kezeli ezeket az adatokat, mintha saját tábláiban tárolódnának. Tehát az Accessben végzett adatmódosítás is az Excel munkalapon kerül tárolásra. 92
Mindezek alapján az Excelt alkalmaztam adataink tárolására, feldolgozására, grafikus megjelenítésére, programozási feladatok ellátására, míg az Accesst űrlapos adatbevitelre, lekérdezések és jelentések kialakítására.
3.4.3.2. Kezelőfelületek, főbb funkciók A programban kialakított szolgáltatásokat használatuk sorrendjében mutatom be. Mivel a program adatok nélkül használhatatlan, ezért elsőként az adatbevitelt is biztosító, Access adatbázis-kezelőre épülő részt ismertetem. A program indításakor megjelenik a főmenü (23. ábra), mely a kilépésen túl három almenüt kínál. Az „Adatbevitel, módosítás” pontot választva a 24. ábrán látható lehetőségek közül választhatunk.
23. ábra: Access rész főmenüje.
93
24. ábra: Adatbevitel, módosítás almenü. Elsőként a „Termék” és „Steril képlet” táblák adatait rögzíthetjük, melyek csak akkor módosulnak, ha új termék gyártását vezetik be, vagy módosítani kellene egy termékhez tartozó hőkezelési előíráson (steril képleten) a nagyobb biztonság vagy a korábbi túlbiztosított előírások miatt. Ezekre
a
funkciókra
ritkán
lesz
szüksége
a
felhasználónak,
megvalósításukhoz adatbeviteli űrlap szükséges programunk Access felületén. A 25. ábrán a termék tábla űrlapja látható. Hasonló űrlap biztosítja a steril képletek megadását, módosítását.
94
25. ábra: Termék tábla űrlapja. A programban heti rendszerességgel kerül használatra a heti gyártási terv adatainak megadása, melyet szintén űrlap segítségével végezhetünk el (26. ábra).
26. ábra: Heti gyártási terv megadásának, módosításának űrlapja. 95
Az alkalmazott csatolásos technika miatt az Access űrlapokon végzett adatmanipulációk Excel munkalapokon tárolt adatokra vonatkoznak, így az Excelben közvetlenül felhasználhatók. A terv adatait először ellenőrizni kell. Az „Ellenőrzések” almenü biztosítja e funkciók elérését (27. ábra).
27. ábra: Ellenőrzések almenü. Az első azt vizsgája, hogy a terv tartalmaz-e olyan hibát, mely esetén egy gyártósorra egy időben (egy műszakban) több termék jutna. A gyártósorokon ütköző termékek listáját Access felületen elérhető lekérdezés adja, amit egy jelentés segítségével nyomtatási kép nézetben jelenít meg a program (28. ábra), s igény szerint nyomtatható is. Az ábrán látható lista azért üres, mert a gyártás tervezett hetében nem volt olyan műszak, amikor több termék jutott volna ugyanarra a gyártósorra. Az ellenőrzés alapja az, hogy minden termék csak egy adott soron készíthető. De mivel különböző termékek igényelhetik ugyanazt a gyártósort, s egy műszakon belül nincs lehetőség kétféle termék előállítására (gazdaságosan az átállítási idő miatt), ezért fordulhat elő figyelmetlen tervezéskor e probléma. Mivel a termékek adatai között a táblában az is tárolódik, hogy melyik soron gyártható, ezért szimuláció nélkül megkapható az eredmény. 96
28. ábra: Gyártósori termékütközések listáját mutató jelentés. A másik ellenőrzési funkció a hőkezelések időben elvégezhetőségét vizsgálja. A 29. ábrán látható formában tájékozódhat a felhasználó a heti gyártási terv megvalósításához szükséges hőkezelések autokláv igényéről műszakonként. Szintén szimuláció nélkül kapjuk a nyomtatható jelentést, mivel a táblákban tárolt hőkezelési időtartamokból kalkulálható az igényelt autoklávok száma.
29. ábra: Jelentés egy részlete a terv autokláv szükségletéről műszakonként.
97
Amennyiben valamely műszak igénye meghaladná a kapacitást, a tervet módosítani kell. Ehhez a listán látható, hogy mikor adódik elegendő kapacitás kihasználatlanság, hogy ide áthelyezhessünk terméket a terv módosítását biztosító űrlappal. Az „Információk” menüben tudjuk kérni egy tetszőleges időszakban az egyes gyártósorok kihasználtságát. Ez ad támpontot újabb gyártósor kiépítésének szükségességéről. Az ellenőrzött terv birtokában az Access adatbázis-kezelőtől az Excel táblázatkezelő veszi át a szerepet a további feladatok elvégzésére. A 30. ábrán látható főmenüvel érhetjük el a funkciókat, melyeket a megjelenítés sorrendjében célszerű elvégezni heti rendszerességgel.
30. ábra: Excel főmenüje Elsőként a már megvalósult heti terv hőkezeléseit menthetjük, majd a következő hét tervének gázfelhasználását szimulálhatjuk. Ekkor a program generálja a szimulátor bemenetére szükséges hőkezelési adatokat, s jeleníti meg diagramon a kalkulált gázfelhasználási adatsort műszakonkénti 98
bontásban. Az adatgenerálást egy VBA (Visual Basic for Applications) eljárás végzi, míg a diagram megjelenítéséhez a program átkapcsol a megfelelő munkalapra. E funkció feladata, hogy rámutasson a terv módosításának esetleges szükségességére, amennyiben az egyes műszakok gázfelhasználása
nagy
eltérést
mutat.
A
kézi
adatmódosítást
az
adatbevitelhez kialakított űrlappal végezhetjük el, de kérhetünk automatikus tervmódosítást is, mely esetén egy VBA eljárás átcsoportosítja a terv termékeit a műszakok között. A módosítást egy munkalap táblázatában követheti a felhasználó és kinyomtathatja. A program utolsó funkciója a műszakon belüli gázfelhasználás egyenletességét biztosítja a termékek hőkezelésének késleltetésével kialakítva a megfelelő ütemezést. Ezt egy olyan VBA algoritmus végzi a szimulátorral együtt, mely a gyártási hét minden műszakában megkeresi a hőkezelések késleltetésének azt az értékvariációját, mely a legalacsonyabb szórású gázfelhasználást okozza, így biztosítva a kazán egyenletes terhelését és a magas gázfelhasználási csúcsok elkerülését. E funkció során korlátként jelenik meg a várakoztatás maximális megengedett ideje, mely a konzervek romlásának elkerülése érdekében nem léphető túl. Végeredményként kapjuk a termékek hőkezelésre várakozási idejének optimális értékvariációját, melyből megkapjuk a hőkezelések elkezdésének ajánlott időpontját. A program használata a kezdeti beállítási funkcióktól eltekintve heti rendszerességű, és az
elvégzett hőkezelések adatainak folyamatos
tárolásával azok naplózását is lehetővé teszi. E naplózás a vállalat számára kötelező előírás, de a tárolt adatok kiváló alapot adnak egy információs rendszer
számára
is.
Adatbázisunkban
lekérdezések
kialakításával
egyszerűen készíthetünk kimutatásokat különböző szempontok szerint, akár diagramon
megjelenítve
adatainkat. 99
Könnyen
megfigyelhetjük
a
termékszerkezetben
bekövetkezett
változásokat,
tendenciákat,
szezonalitásokat is. Ezek a funkciók alakíthatók ki az „Információk” almenüben. Így például kimutatást kaphatunk a termelés heti összesítéséről (31. ábra), diagramot egy termék gyártott mennyiségének hetenkénti alakulásáról, kiválasztott hét termeléséről termékenként stb.
31. ábra: Jelentés nyomtatási képe a termelés volumenéről heti összesítéssel.
3.4.4. A program működésének alapja A program számításainak alapja az a matematikai modell, mely egy hőkezelendő
termék
ismeretében
meghatározza
a
gőzfelhasználás
pillanatnyi értékét a hőkezelés megkezdése óta eltelt idő függvényében. A program központi eleme e modellt felhasználó szimulátor, mely képzi a heti gyártási
programban
szereplő
minden 100
egyes
hőkezelési
folyamat
gőzfelhasználási idősorát 5 perces bontásban. Meghatározza az azonos berendezésben zajló hőkezelési folyamatok együttes gőzfelhasználási idősorát berendezésenként, majd ezek összegzésével a teljes hőkezelő üzemrészre adódó idősort. Részösszegekkel óránkénti adatsort képez, melyből kalkulálja a gázfelhasználás egy hétre vonatkozó órás bontású idősorának adatait, s további összegzésekkel tömörebb, műszakonkénti gázfelhasználási adatsort ad. A modell ismeretében, használata során már a heti gyártási terv alapján adható előrejelzés a gázfelhasználásra. De a gyártósorokra vonatkozó terv más adatokkal írható le (mely terméket, melyik műszakban készítsük), mint a megtörtént hőkezelések. Viszont mindkét esetben működtetni kell a szimulátort. Mindebből az látható, hogy a rendelkezésre álló adatok is jelentősen befolyásolják szimulátorunk felhasználási módját. Így először fel kellett térképezni az elérhető adatokat, s adatbázist kialakítani tárolásukra.
3.4.4.1. A kialakított adatbázis A szükséges funkciók ellátásához nagy figyelmet kellett fordítani az adatbázis tervére. Meg kellett határozni a számítások, szimuláció alapját biztosító adatokat, majd táblákba szervezve kialakítani tárolásukat. A kész adatbázis táblái és a köztük lévő kapcsolatok láthatók a 32. ábrán.
101
32. ábra: A szimulátor adattáblái A „Hőkezelés” tábla tárolja a már megtörtént hőkezelések adatait évekre visszamenőleg, melyből a „Steril képlet” adatok felhasználásával szimulátorunkkal megkaphatjuk a kazán gázfelhasználásának heti idősorát. Erre
azért
van
szükség,
hogy
ellenőrizhessük
modellünket
a
„Gázfogyasztás” táblában tárolt mért adatoktól eltérés alapján. A „Heti gyártási terv” adataiból számíthatók az okozott hőkezelések adatai a „Termék” tábla alapján, s így szimulálható a tervezett hét gázfelhasználása. A „Steril képlet” időtartam adatai szükségesek a terv által determinált hőkezelések megvalósíthatóságának ellenőrzéséhez, hogy elkerülhessük a hosszú várakozó sorokat, míg a „Termék” tábla „Gyártósor” adata teszi ellenőrizhetővé a gyártósori termékütközést.
3.4.4.2. A szimulátor tervezése A szimuláció elemi adata egyetlen hőkezelési folyamat valahányadik percében a matematikai modellel számítható gőzfogyasztás lehetne kilogramm mértékegységben, de ilyen nagy finomságú felbontása a 102
folyamatnak nem szükséges. Viszont a hőkezelési előírások (felfűtési idő, hőntartási idő) legfeljebb ötperces léptékkel adhatóak meg, ezért az ötpercenkénti gőzfogyasztás adatsorait kell képeznünk a gyártási hét összes folyamatára egy táblázatban. Így egy cella értéke egy folyamat ötperces időtartama alatti gőzfogyasztás lesz. Vizsgáljuk meg e táblázat méreteit az ideális elhelyezése céljából Excel munkalapon. Célszerű heti öt munkanap helyett héttel számolnunk a program általánosabb használhatósága érdekében. Napi 150 hőkezelés esetén a táblázat egyik mérete 7×150=1050, míg a másik méretet egy hét ötperces felbontása adja, vagyis 7×24×60/5=2016. Azt is figyelembe kell venni, hogy az utolsóként elkezdett hőkezelések gőzfogyasztása később jelentkezik az eddig biztosított időintervallumon. Ezért, valamint biztonsági okból kell tovább növelnünk a méretet a leghosszabb kezelésű termék idejét meghaladó mértékben. Ezt 8 órának véve 2016+8×60/5=2112 adódik. Tehát a táblázat 1050×2112 méretű és nagyon rossz kihasználtságú lenne, mert egy pár órás folyamat csak óránként 12 adatot igényel a rendelkezésre álló 2112-ből. Az Excel legelterjedtebb verziójának 256 oszlopos korlátja miatt táblázatunkat fel kell darabolni. Természetes módon adódik a napokra vagy műszakokra bontás, persze ekkor is növelnünk kell minden résztáblázatot 8 órás mértékben. Műszakonkénti táblázatok esetén az adattárolás kihasználtsága duplája lenne a naponkéntinak, hiszen műszakonként csak 8+8=16 órás (16×60/5=192 cellás) adattárolást kell biztosítanunk minden folyamatnak, szemben a 24+8=32 órás helyett. Szintén a műszakonkénti adattárolás mellett szól, hogy az 50×192 táblázatméret (műszakonként 50 hőkezelés) álló és fekvő elrendezésben is alkalmazható. Napi bontás esetén (150×384 táblázatméret) a 150 hőkezelés 384 elemű adatsorát függőlegesen kellene szerepeltetni, ellentétesen, mint ahogy az adatbázis-kezelő a rekordokat tudja értelmezni. Tehát a műszakokra bontást alkalmazom olyan elrendezésben, hogy a 103
hőkezelési
folyamatok
ötpercenkénti
gőzfogyasztásának
adatsorai
vízszintesen helyezkedjenek el, vagyis műszakonként egy 50 sorból és 192 oszlopból álló táblázatot alkalmazunk, melyből 21 darabra van szükségünk, és egy-egy munkalapon helyezünk el. A 33. ábrán a szimuláció adatfeldolgozásának irányát (mely lap adataiból hová keletkeznek eredmények) és az ezt ellátó funkciókat láthatjuk. adattarolas szimadatok
szimadatok1 Heti gyártási terv
adatgyűjtés
szimadatok2
szimadatok1
Steril képlet
M2
M11
szimadatok2
Bemenet
Gázfogyasztás adatgyűjtés
Termék
M1 adatgyűjtés
szimadatok
szimadatok
Hőkezelés
Eredmény
Értékelés
M20
M21
szimadatok1
33. ábra: A program munkalapjai és a funkciók adatfeldolgozásának iránya A téglalapok munkalapokat szimbolizálnak, míg a nyilak a program egyes funkcióit az adatfeldolgozás irányával együtt. A szimuláció részletes adatai és az ütemezés során kialakuló várakozási idők műszakonként az M1től M21-ig jelölt munkalapokon keletkeznek (7 nap = 21 műszak). A 104
Bemenet lap interfész szerepet lát el, melyen már egységes struktúrában tárolódnak a szimulációhoz szükséges kiinduló adatok függetlenül attól, hogy a terv adatai alapján történik a szimuláció előrejelzési szándékkal, vagy a már lezajlott hőkezelésekből a modell ellenőrzése, paramétereinek beállítása miatt. Az Eredmény lapon adódnak az ütemezéssel kialakuló optimális kezdési időpontjai a következő hét hőkezelési folyamatainak, s egy hét múlva ezek az adatok lesznek alkalmasak esetleges kisebb módosítással tárolásra, mint a már megtörtént hőkezelések adatai.
3.4.5. A szoftver egyes részletei A szimuláció sebességének érdekében más technikát alkalmaztam a cellák adatainak kitöltésére a korábbi munkalapfüggvényes technika helyett. Egy VBA eljárás (szimadatok2) végzi el a számításokat, mely a Bemenet munkalapon lévő teljes heti hőkezelési listát szétosztja műszakonként az M1, …, M21 munkalapokra, s egyúttal képzi a gőzfogyasztás adatának ötpercenkénti adatsorát. Ennek az a jelentősége a sebesség szempontjából, hogy ekkor a cellákban csak értékek lesznek munkalapfüggvények helyett, s emiatt nem értékelődnek ki újra automatikusan egy adatváltozás hatására a lapon. Viszont az ütemezés során meg kell változnia a cellák értékeinek, hiszen későbbre vagy korábbra kerül a várakoztatás módosításával a hőkezelés kezdési időpontja. De ez csak az adatsor eltolását jelenti, amit egyszerűen, újraszámítás nélkül megtehetünk az adatsor elé cellák beszúrásával vagy törlésével. Így csak egyszer kell kiértékelni egy adatsor adatait, nem pedig minden ütemezési lépés során a teljes munkalapot.
105
3.4.5.1. Gyártósori termékütközés ellenőrzése Egy gyártósoron egyszerre több termék gyártásának előírása olyan figyelmetlen tervezés miatt következhet be, amikor nem számolnak azzal, hogy az adott termékek esetleg ugyanazt a gyártósort igénylik, miközben egy műszakon belül ez nem lehetséges. A probléma jelzésére a jól megtervezett adatbázis miatt elegendő volt egy lekérdezést kialakítanom (34. ábra). A szemléletesség érdekében a lekérdezést tervező nézetben mutatom be SQL nyelvi megfelelője helyett.
34. ábra: Gyártósori termékütközés lekérdezése A tervezőrács egyes oszlopaiba kerültek az adattáblákból származó, eredményként táblázatos elrendezésben megjelenítendő mezők, beállítások és feltételek. A lekérdezés minden gyártandó termék esetén megjeleníti a gyártás időpontját (nap, műszak) és helyét (gyártósor). Ha vannak ütköző termékek, akkor ezek sorai csak a termék azonosítójában térnek el. A beállított csoportosítás (Group by) miatt ezek a sorok egy sort alkotnak, míg 106
a sorok eltérő adata (termék) helyén a termékek darabszáma (Count) jelenik meg. A beállított feltétel (>1) azt biztosítja, hogy csak akkor jelenik meg egy ilyen sor, ha egynél több termék szerepel egy időben azonos gyártósoron.
3.4.5.2. Hőkezelési kapacitás ellenőrzése A heti gyártási tervben szereplő termékek hőkezelési igénye meghaladhatja a biztosítható kapacitást. Ennek ellenőrzésére készítettem egy három adatoszlopot megjelenítő lekérdezést, melynek sorai időrendben tartalmazzák az egymás utáni műszakokban szükséges autoklávok számát a hőkezelési igény fedezéséhez. Tehát minden műszakra megkapjuk a szükséges autoklávok számát. A lekérdezés tervező nézetének (35. ábra) harmadik oszlopában szereplő képlet hosszúsága miatt, az olvashatóság érdekében SQL nyelven is bemutatom a lekérdezést: SELECT [Heti gyártási terv].Nap, [Heti gyártási terv].Műszak, Sum(Termék![Hőkezelési adagszám (db/műszak)]* ([Steril képlet]![Felfűtés időtartama (perc)]+ [Steril képlet]![Hőntartás időtartama (perc)]+ [Steril képlet]![Lehűtés időtratama (perc)]+ 20)/ 480) AS [Szükséges autoklávszám] FROM ([Steril képlet] INNER JOIN Termék ON [Steril képlet].Azonosító = Termék.[Steril képlet]) INNER JOIN [Heti gyártási terv] ON Termék.[Termék azonosító] = [Heti gyártási terv].Termék
107
GROUP BY [Heti gyártási terv].Nap, [Heti gyártási terv].Műszak ORDER BY [Heti gyártási terv].Nap, [Heti gyártási terv].Műszak;
35. ábra: Hőkezelés autoklávszükségletének lekérdezése Egy műszak autoklávszükségletének kiszámítása úgy történik, hogy a műszak minden termékére kiszámításra kerül percben a szükséges hőkezelések időtartama, bekalkulálva a 20 perces átrakodásokat és azt is, hogy egy termék gyártásakor több hőkezelési adag keletkezik. Ezt osztva 480-nal (egy autokláv egy műszakban rendelkezésre álló kapacitása percben),
megkapjuk
egy
termék
autoklávszükségletét
darab
mértékegységben törtrészt is megengedve. A csoportosítás során (Gruop by) az egy műszakba kerülő termékek igénye összegződik (Sum). Az így kapott listán könnyen látható a terv hibája vagy autokláv kiesés miatti problémája. A gyakorlatban az is megengedhető, hogy kisebb mértékű túllépések legyenek az egyes műszakokban, ha a kapacitást meghaladó mértéket a 108
következő műszak el tudja látni, és a termék maximális várakozási idejére vonatkozó előírás ezt lehetővé teszi.
3.4.5.3. Műszakok gázfelhasználásénak egyenletessége A programban Excel diagram jeleníti meg a terv szimulációval kapott gázfelhasználását műszakonként. A felhasználó döntheti el a diagram alapján, hogy szükséges-e módosítani a heti gyártási terven. A változtatás során arra nincs lehetőség, hogy egy gyártósoron a tervezett termék gyártásának idejét előbbre vagy későbbre hozzuk. Csak a termékek műszakok közötti átcsoportosításával operálhatunk. Ezt a program egy párbeszédablakon biztosítja, de csak ajánlatot tesz egy-egy elemi lépésre az automatikusság helyett, mert sok olyan logisztikai, határidő és egyéb szempont is szerepet játszhat a terv kialakításában, melyről csak a felhasználó tud dönteni. Egy elemi módosítás két féle lehet: •
Termék gyártásának áthelyezése egy másik műszakba, mely csak akkor lehetséges, ha az érintett gyártósor nem foglalt ebben a műszakban.
•
Két különböző műszakra tervezett termék felcserélése. Ennek feltétele, hogy azonos gyártósort igényeljen a két termék, vagy szabad gyártósori kapacitás legyen mindkét termék számára. A program egyenként tesz ajánlatot módosításra a legnagyobb és
legkisebb gázfelhasználású műszakokat érintő lépésre úgy, hogy ne történjen gyártósori termékütközés. Termék áthelyezése során a terhelés kiegyenlítődése egyértelmű. Csere esetén azt veszi figyelembe a program, hogy az egyes termékek eltérő gőz-, s ebből adódóan gázfelhasználást okoznak a műszak során. 109
Módosításkor lépésenként azonnal követhető a megjelenített grafikonon a terhelések változása, s az adatbázis is ennek megfelelően módosul.
3.5. A program futtatási tapasztalatai Az értekezés 3.2.2. részében általánosságban mutattam be a kazánterhelés kiegyensúlyozásának költségcsökkentő szerepét. A program birtokában már számszerű eredményekel mutathatom be a használat során adódott költségcsökkenést.
3.5.1. Műszakok kiegyenlített kazánterhelése A program szimulátorával akár ötperces bontásban autoklávonként megkaphatjuk a hőkezelések okozta gőzfelhasználás adatsorát egy teljes hétre. Ezekből az adatokból részösszegként kaphatjuk meg az egyes műszakok gőzigényét, s így a kazán terhelését százalékban. Korábbi eredményünk alapján a terheléshez tartozó hatásfok adódik. A 2. táblázatban foglaltam össze egy hét esetén az eredeti és a terhelés műszakok közötti kiegyenlítése utáni állapotának szimulációval kapott adatait.
110
2. táblázat: Műszakok kazánterhelésének kiegyenlítése Nap
Műszak
2009.06.15 2009.06.15 2009.06.15 2009.06.16 2009.06.16 2009.06.16 2009.06.17 2009.06.17 2009.06.17 2009.06.18 2009.06.18 2009.06.18 2009.06.19 2009.06.19 2009.06.19
1 2 3 1 2 3 1 2 3 1 2 3 1 2 3
Átlagok
Kiegyenlítés nélkül Kazánterhelés hatásfok 45% 76% 37% 73% 49% 78% 33% 71% 22% 65% 41% 75% 27% 68% 20% 63% 38% 73% 82% 87% 46% 77% 75% 86% 92% 89% 46% 77% 75% 86% 49%
75,8%
Kiegyenlítve Kazánterhelés
hatásfok
45% 47% 49% 53% 47% 51% 47% 60% 53% 52% 46% 55% 52% 46% 55%
76% 77% 78% 79% 77% 78% 77% 81% 79% 79% 77% 80% 79% 77% 80%
49%
78,2%
A táblázat utolsó sorában az átlagok adatait kell a továbbiákban felhasználni. A kazánterhelésre adódott 49% természetesen a kiegyenlítés hatására nem változott, hiszen ugyanazokat a termékeket változatlan mennyiségben kell hőkezelni csak a műszakok közötti más elosztásban. Viszont az egyenletesebb kazánterhelés jobb hatásfokot biztosít. A hét során a kazán fűtésére felhasznált gáz mennyiségéből (G), fűtőértékéből (F) és a hatásfokból (η) kiszámítható az előállított gőz hőenergiája (E), ami a kazán terhelését jelzi: E = G ⋅F⋅η
(23)
Ebből adódik, hogy a hőkezelések elvégzéséhez szükséges energia, mekkora mennyiségű fűtőgázt igényel: G=
E F⋅η
(24) 111
Változatlan hőigény (E) mellett a rosszabb hatásfok nagyobb gázmennyiséget jelent. A magasabb gázigény százalékban kifejezhető: E G1 F ⋅ η1 η2 78,2% = = = = 1,032 E G2 η1 75,8% F ⋅ η2
(25)
Ahol: E – a gőz hőenergiája (MJ) F – a gáz fűtőértéke (MJ/m3) G1 – a gáz mennyisége a kazánterhelés kiegyenlítése nélkül (m3) η1 – a kazán hatásfoka a kazánterhelés kiegyenlítése nélkül G2 – a gáz mennyisége kiegyenlített kazánterhelésnél (m3) η2 – a kazán hatásfoka kiegyenlített kazánterhelésnél Tehát 3,2%-kal több gázra van szükség a kazán terhelésének műszakok közötti kiegyenlítése nélkül. Más hetekben is elvégezve a szimulációt és a terhelés kiegyenlítését 3% és 5% közötti eredmények adódtak. Ez évenként 3-5 millió Ft-ot jelent 100 mFt éves gázdíjat alapnak tekintve.
3.5.2. Költségcsökkentés a hőkezelések ütemezésével Az előző pontban bemutatottakhoz hasonlóan itt is a kazán terhelésének időben kiegyensúlyozása történik, de most egy műszakon belül ütemezéssel, a hőkezelések megkezdésének várakoztatásával összehangolva a folyamatokat. A 3. ábrán egy műszak kazánterhelésének szimulációval kapott ötperces felbontású idősor adatai láthatók ütemezés nélkül és ütemezéssel. 112
3. táblázat: Ütemezés hatása a kazánterhelésre Nap
Műszak
Idő
2009.06.15 2009.06.15 2009.06.15 2009.06.15 2009.06.15 2009.06.15 2009.06.15 2009.06.15 2009.06.15
1 1 1 1 1 1 1 1 1
2009.06.15 2009.06.15 2009.06.15
1 1 1
6:00 6:05 6:10 6:15 6:20 6:25 6:30 6:35 6:40 . . . 13:45 13:50 13:55
Ütemezés nélkül
Ütemezve
Kazánterhelés
hatásfok
45% 43% 42% 75% 74% 74% 73% 65% 60%
76% 75% 75% 85% 85% 85% 85% 83% 81%
38% 37% 61% 59% 58% 57% 50% 50% 49%
73% 73% 82% 81% 81% 80% 78% 78% 78%
17% 16% 16%
61% 60% 60%
41% 40% 40%
75% 74% 74%
45%
74,9%
45%
78,4%
Átlagok
Kazánterhelés
hatásfok
A 3. ábrát tanulmányozva kisebb félreértésre adhat okot, hogy a táblázat felső részén magasabb hatásfokok szerepelnek az ütemezés nélküli esetben. Ez azzal magyarázható, hogy magasabb terhelésnél ugyan jobb a hatásfok, de kisebb mértékben, mint az alacsonyabb terheléskor megjelenő hatásfok csökkenés. Az ütemezés a terhelés kiegyenlítésére irányul. Így kevésbé lép fel a magasabb terhelésekhez tartozó jobb hatásfok, de az alacsonyabb terhelések melletti sokkal rosszabb hatásfok is. Az utolsó sorban látható, hogy az ütemezés hatására jobb átlagos hatásfokkal állítható elő a gőz. A (25) összefüggéssel határozható meg az ütemezetlen állapot magasabb gázigénye százalékban: G1 η2 78,4% = = = 1,047 G 2 η1 74,9%
(26)
Ahol: 113
G1 – a gáz mennyisége ütemezés nélkül (m3) η1 – a kazán hatásfoka ütemezés nélkül G2 – a gáz mennyisége ütemezett esetben (m3) η2 – a kazán hatásfoka ütemezett esetben Tehát 4,7%-kal több gázra van szükség a műszak során ütemezés nélkül. Több műszakban is elvégezve a szimulációt és az ütemezést most is 3% és 5% közötti eredmények adódtak, ami szintén 100 mFt bázisértéket tekintve 3-5 mFt megtakarítást jelent évente.
114
4.
KÖVETKEZTETÉSEK, JAVASLATOK
Összehangolva
az
egyes
autoklávokban
párhuzamosan
futó
hőkezelési folyamatok indítását az automatika biztosítani tudná a sterilképletben meghatározott előírások betartását, s így a jobb minőségű termék előállítását. Az automatikus vezérlés, helyesen, az élelmiszerbiztonsági szempontok teljesülését tekinti elsődleges prioritásúnak. Ezért a sterilképletben meghatározott időtartamok (felfűtés, hőntartás, hűtés) rövidebbek nem lehetnek az előírtnál, a felfűtés sebessége nem haladhatja meg az előírásban meghatározott mértéket, a hőntartás csak az előírt hőmérséklet elérésekor kezdődhet. Az átmeneti elégtelen gőzellátás elkerülhető, s így nem növekszik meg a folyamat időtartama, ami indokolatlan
hőterhelésével
túlfőtt,
rosszabb
minőségű
terméket
eredményez. Tehát az alkalmazott ütemezési módszer pozitív hatású a termék minőségére. Megvizsgálva a nagyfogyasztókra vonatkozó speciális gázdíj elszámolásra vonatkozó számítási módhoz alkalmazkodó költségcsökkentési lehetőségeket, megállapítható, hogy a gázfizetési algoritmus miatt nem célszerű kis óránkénti gázigényt lekötni, illetve ezt minimalizálni, viszont kívánatos a gázfogyasztás lekötött korlát alatt tartása, ami egyenetlen kazánterhelés
mellett
nem
lenne
lehetséges.
A
kazánterhelés
kiegyensúlyozását két fázisban javaslom biztosítani. Elsőként a műszakokra vonatkozóan a heti gyártási tervben szereplő termékek műszakok közötti cseréjével, áthelyezésével, másrészt, műszakon belül a hőkezelési folyamatok ütemezésével.
115
A kazán terhelés-hatásfok jelleggörbéjének vizsgálata rámutatott, hogy a közvetlen költségeket alapvetően meghatározó gázdíj akár 6%-kal csökkenthető a terhelés kiegyensúlyozásával. A jelenlegi gyakorlatra jellemző, hogy amikor egyszerre többfajta, eltérő terheléssel járó terméket készítenek, akkor a gyártás műszakokra bontása során ezt nem veszik figyelembe. Ekkor például a műszakonkénti 50%-os átlagos terhelés helyett jellemző, hogy az egymást követő műszakokban akár 30%-os és 70%-os átlagterhelés jelentkezik. Viszont egy műszakon belül is nagy eltérések adódnak a szinkronizálatlanság miatt. Az eredményekből látható, hogy a terhelés
kiegyensúlyozatlanságának
növekedésével
a
veszteség
is
emelkedik. Kisebb átlagterhelések mellett nagyobb jelentősége van a terhelés kiegyenlítésének, hiszen ekkor 6% is lehet a relatív veszteség. Az éves átlagnak tekinthető 50%-os terhelés mellett a legrosszabb esetben csaknem 5% veszteség adódott, ami például 100 millió Ft éves gázdíj esetén 5 millió Ft költségnövekedést jelent. Az archív adatok alapján fejlesztett szimulációs optimalizáló, ütemező
programban
vízfelhasználással
a
termék
jellemezhetjük,
minőségét míg
a
a
kapacitás
közvetlen
feletti
költséget
a
gőzfelhasználással. A program beállítása, tesztelése során a több szempontú optimalizálást az egyes célok (maximális minőség, minimális költség) mutatóinak súlyozott összegével kezelve adódott, hogy a semlegeshez viszonyított háromszoros értékű vízre vonatkozó súlyérték alkalmazása célszerű. Így egy olyan közelítőleg Pareto-optimális megoldás adódik, mely a több (közelítőleg) maximális minőséget (minimális vízfelhasználási korlát túllépést) biztosító megoldásból a minimális költségűt eredményezi. A szoftveres gyártásprogramozás költségekre ható pozitív szerepét vizsgálva megállapítható, hogy szimulációs technikával kivédhető a 116
figyelmetlen tervezésből adódó gyártósori termékütközés, valamint a szűk
gyártás
keresztmetszetében,
a
hőkezelő
üzemben
fellépő
terméktorlódás, és ennek következményeként az időben el nem kezdett hőkezelésből származó termékromlás. Az archív adatokon alapuló kísérleti program modellje nem volt adaptálható annál a vállaltnál, ahol a gyártásprogramozási kutatást végeztem. Emiatt új modellt kellett fejleszteni. Az ehhez szükséges információk
nehezen
hozzáférhetők,
azonban
adatbevitel,
adat
transzformáció és adattisztítás után rendelkezésemre álltak. Az épületek fűtésének
gázigénye
(mérés
hiányában)
matematikai
módszerekkel
elkülöníthető a hőkezelés igényétől. Az adatok birtokában a modell megkapható. A szimulációs optimalizáláshoz, gyártásprogramozáshoz kialakított szoftverhez az Excel alkalmazható felhasználóbarát módon az adatok tárolására, feldolgozására, grafikus megjelenítésére, programozási feladatok ellátására, míg az Access űrlapos adatbevitelre, lekérdezések és jelentések kialakítására. A kialakított számítógépes rendszer egyszerűen kezelhető lehetőséget biztosít az adatbevitelre, módosításra, gyártósori termékütközés ellenőrzésére, hőkezelési hosszú várakozó sorok elkerülésére autokláv
kapacitás
kiegyensúlyozására,
ellenőrzésével, valamint
műszakok
gázfelhasználási
gázfelhasználásának csúcsok
elkerülésére
ütemezéssel. Mindezekkel biztosítva a jobb minőségű termékek előállítását alacsonyabb közvetlen költségek mellett. Javaslom a rendszer kiegészítését további funkciókkal. A program használata a kezdeti beállítási funkcióktól eltekintve heti rendszerességű, és az elvégzett hőkezelések adatainak folyamatos tárolásával azok naplózását is lehetővé teszi. E naplózás a vállalat számára kötelező előírás, s ennek elektronikus változata egyszerűbb visszakereshetőséget biztosít. A tárolt 117
adatok kiváló alapot adnak egy információs rendszer számára is. Adatbázisunkban lekérdezések kialakításával egyszerűen készíthetünk kimutatásokat különböző szempontok szerint, akár diagramon megjelenítve adatainkat. Könnyen megfigyelhetjük a termékszerkezetben bekövetkezett változásokat, tendenciákat, szezonalitásokat is.
118
5.
ÚJ TUDOMÁNYOS EREDMÉNYEK
1. Összefüggést mutattam ki a termék minősége és a hőkezelési folyamatok ütemezettsége között. Megfelelő ütemezés esetén az automatika biztosítani tudná a sterilképletben meghatározott előírások betartását, elkerülve így a rosszabb minőségű termék előállítását. 2. Módszert dolgoztam ki a nagyfogyasztókra vonatkozó speciális gázdíj elszámolási
módhoz
alkalmazkodó
költségcsökkentésre.
A
gázfogyasztás lekötött korlát alatt tartása egyenetlen kazánterhelés mellett nem lenne lehetséges. A kazánterhelés kiegyensúlyozását két fázisban lehet biztosítani. Egyrészt a heti gyártási tervben szereplő termékek műszakok közötti cseréjével, áthelyezésével. Másrészt, műszakon belül a hőkezelési folyamatok ütemezésével. Szimulációs optimalizáló, ütemező eljárást készítettem e szervezési feladatok ellátásához. 3. Monte
Carlo
módszerrel
elemezve
a
kazán
terhelés-hatásfok
jelleggörbéjét megmutattam, hogy a terhelés kiegyensúlyozásával csökkenthető a gázdíj. A terhelés szórásának növekedésével a veszteség is emelkedik. Közepes és az alatti átlagterhelések mellett 5-6% gázdíj is megtakarítható. 4. Adatbázis adatokon alapuló technikát és számítási eljárást dolgoztam ki a gyártósori termékütközés, valamint a hőkezelő üzemben fellépő terméktorlódás elkerülésére. Így átszervezési költségek és termékromlás nélküli gyártás valósítható meg.
119
ÖSSZEFOGLALÁS A kutatás során konzervek hőkezelésére autokláv csoportot használó technológia esetén elsőként az alkalmazandó ütemezési módszer pozitív hatásait igazoltam a termék minőségére és a közvetlen költséget alapvetően meghatározó gázfogyasztásra. Ezek az eredmények alapozták meg a további munkát, mutattak rá költség és minőség optimalizálási fejlesztéseink helyes irányára. A párhuzamosan zajló hőkezelési folyamatok ütemezetlensége a szükséges erőforrások felhasználásának nagyfokú egyenetlenségével jár, mely miatt átmeneti elégtelen gőz-, illetve vízellátás lép fel. Emiatt a hőkezelési előírások nem betarthatóak, a megnövekedett kezelési idők rosszabb minőségű terméket eredményeznek. Megvizsgáltam a gőzt biztosító kazán terhelés-hatásfok jelleggörbéje alapján a kiegyensúlyozatlan terhelés költségvonzatát. Ezek az eredmények mutattak rá egy gyakorlatban jól alkalmazható számítógépes program szükségességére. A kutatást alapvetően meghatározó, a munka szinte minden részletében markánsan megjelenő elem a számítógépes modellezés volt. Erre egyrészt azért volt szükség, mert ipari keretek között természetesen nem volt lehetőség hőkezelési és kazánterhelési kísérleteket végezni, másrészt olyan speciális szakterületet elemeztem, melynek csak egyes részleteivel foglalkoztak eddig alap- és alkalmazott kutatások során, s emiatt modell sem létezett kutatásaimhoz. Vizsgálataimhoz egy kísérleti modellt és számítógépes szimulációs programot fejlesztettem azzal az elsődleges céllal, hogy a kutatás legkritikusabb
részét,
az
ütemező
algoritmust
kifejleszthessem,
tesztelhessem a modellen. Másodlagos cél volt, hogy a modell egyszerű 120
paraméterezhetősége révén könnyen adaptálható legyen ipari alkalmazás során. Egy hőkezelési folyamat gőz- és vízfelhasználásának 10 perces felbontású adatsorának modellezését valósítottam meg mért adatokon alapuló jelleggörbe meghatározásával. E számítógépes modell tette lehetővé a párhuzamosan zajló hőkezelési folyamatok kezdési időpontjaitól függő erőforrás-felhasználás
szimulációját,
s
algoritmus
kidolgozását
az
egyenletes terhelést biztosító ütemezés megvalósítására. Ezzel a technikával csak a műszakokon belüli terhelés kiegyensúlyozást oldottam meg, s a gyártásprogramozás
biztosíthatta
az
egyes
műszakok
erőforrás-
felhasználásának kiegyenlítését. További vizsgálataim a szoftveres gyártásprogramozás költségekre ható pozitív szerepére irányultak. Azon túl, hogy költségcsökkenés érhető el a
termékek
gyártásának
műszakok
közötti
átcsoportosításával,
megmutattam, hogy szimulációs technikával kivédhető a figyelmetlen tervezésből adódó gyártósori termékütközés, valamint a gyártás szűk keresztmetszetében, a hőkezelő üzemben fellépő terméktorlódás, és ennek következményeként az időben el nem kezdett hőkezelésből származó termékromlás. Az eddigi tapasztalatok gyakorlati alkalmazása érdekében egy szoftverrendszer fejlesztését végeztem vállalati adatokra támaszkodva. Ehhez először adatgyűjtés, adatelőkészítés, adattisztítás után kerestem a lehetőséget a korábbi kísérleti szoftver adatmodelljének adaptálhatóságára, de a gőzfelhasználási adatok hiánya miatt új matematikai modellt kellett építeni. Emiatt és az új szoftverkomponensek (gyártásprogramozás, gyártósori
termékütközés
és
terméktorlódás
kezelése)
hatékony
beépíthetősége érdekében a kísérleti programot lecseréltem, belőle csak az ütemező algoritmust vettem át. A fejlesztés során szoftverkörnyezetnek a 121
Microsoft Excel és Access programokat használtam a beépített Visual Basic for
Applications
programozási
nyelven
elkészítve
a
szükséges
programkódokat. Felhasználóbarát kezelési módot alakítottam ki egyedi menüvel a funkciók eléréséhez. Űrlapos technikát biztosítottam az adatbevitelhez, adatmódosításhoz. A gyártásprogramozás és az ütemezés szoftvermodulokat párbeszédablakokkal tettem könnyen használhatóvá. A gyártósori termékütközés, valamint a hőkezelési kapacitás elegendőségének ellenőrzését lekérdezésekkel valósítottam meg. A kialakított szimulációs szoftverrendszerrel olyan munkaszervezése alakítható ki a gyártósorokkal kezdődő és az autoklávcsoporton hőkezeléssel záruló termelési folyamatnak, mely jobb minőségű termék előállítását teszi lehetővé a hőkezelési előírások betarthatóságának biztosításával, s egyúttal alacsonyabb közvetlen költséget garantál a gyártósori termékütközések és a hőkezelési hosszú várakozó sorok elkerülésével, valamint a kazán terhelésének kiegyensúlyozásával műszakon belül és műszakok között.
122
SUMMARY In my research work, for the autoclave group based heat-treatment of canned foods I verified the positive effects of my scheduling method, both on the product quality and gas consumption, which determine the direct expenses. Our further studies based on these results and pointed out the right direction of the optimization of the expenses and the quality. If the parallel heat-treatment processes are not synchronized, it leads to a considerable unevenness in the use of the necessary energy resources which then implies a temporary insufficient steam and water supply. Thus, heat-treatment regulations cannot be kept and the increased treatment time results products of lower quality. On the basis of the load-efficiency graph of the steam providing boiler, I examined the cost ratio arising out of the unbalanced load. These results verified the necessity of a computer program which can be used well in practice. It was the computer modelling which basically determined the research work and appeared in each segment of the examinations. It was necessary because, first of all, it was not possible to try experiments on heattreatment and boiler-loading, and secondly, I analysed a special field that had not been analyzed by basic or applied research methods totally before – just some segments of it - so there was no model for it. For my examinations I elaborated an experiment model and a computer simulation program with the primary aim to develop and test the most critical part of my research, the scheduling algorithm on the model. The secondary aim was to develop this simple parameter based model, easily adaptable for industrial application. I modelled steam and water 123
consumption of a heat-treatment process broken down in 10-minute-long data blocks, thus determining a graph based on measured data. This computer model made possible to simulate utilization of resources depending on the starting time of the parallel heat-treatment processes and to elaborate an algorithm to realize a schedule which then could assure even loading. With this technique I could keep loading only within shifts in balance, and this scheduling method could guarantee the smoothing of resource-utilization of the shifts. My further examinations focused on the positive role of scheduling on costs. In addition to the fact that reduction of expenses can be reached with rearrangement of production between shifts, I pointed out that with this simulation technique the following problems can be avoided: product bottleneck on the production belt caused by careless planning, product piling in the heat-treatment unit and thus, product deterioration due to the heat-treatment which was not started in time. To apply my results I developed a software system based on the data of an unnamed factory. First of all, I collected, prepared and cleaned the necessary data. Then I tried to find possibility of the data model adaptation of the previous software. But I had to construct a new mathematical model because of the lack of steam consumption data. For this reason and to build the new software components (production programming, product bottleneck on production belt and treatment of product piling) more efficiently I kept only the scheduling algorithm. In the development I used Microsoft Excel and Access programs as softwares and I made the necessary program codes in the built-in Visual Basic for Applications, as a programming language. I elaborated a user-friendly program with a special menu. I applied formtechnique to upload and to modify data. Production programming and 124
scheduling software modules can be used easily with dialogue boxes. Queries can be applied to check bottleneck on the production belt and sufficiency of heat-treatment capacity. With this simulation software system the production process, which starts with the production belts and finishes with heat-treatment on the autoclave group, can be organized better. So better quality can be produced while assuring regulations on heat-treatment. It guarantees lower direct costs, by avoiding product bottleneck on the production belt and long waiting lines before heat-treatment, and balancing the boiler load both within and between shifts.
125
KÖSZÖNETNYÍLVÁNÍTÁS A Kaposvári Egyetemnek és témavezetőimnek, Bánkuti Gyöngyinek és Csukás Bélának tartozom nagy köszönettel témám felkarolásáért és a kutatás fő irányvonalainak meghatározásáért. A
disszertációm
szakmai
megalapozásában,
gyakorlati
használhatóságának kérdéseiben Ótott Sándor és Boros Tibor segítségéért vagyok hálás. Munkám során sokat jelentett, hogy családom és kollégáim támogatását, bátorítását és türelmét folyamatosan magam mellett tudhattam.
126
IRODALOMJEGYZÉK Abakarov, A., Sushkov, Yu., Almonacid, S., Simpson, R. (2009): Thermal processing optimization through a modified adaptive random search. Journal of Food Engineering 93(2), pp. 200-209, ISSN 0260-8774, DOI: 10.1016/j.jfoodeng.2009.01.013. Afaghi, M., Ramaswamy, H. S., Prasher, S. O. (2001): Thermal process calculations using artificial neural network models. Food Research International 34(1), pp. 55-65, ISSN 0963-9969, DOI: 10.1016/S09639969(00)00132-0. Akterian, S. G. (1995): Numerical simulation of unsteady heat transfer in canned mushrooms in brine during sterilization processes. Journal of Food
Engineering
25(1),
pp.
45-53,
ISSN
0260-8774,
DOI:
10.1016/0260-8774(95)93015-N. Almonacid-Merino, S. F., Simpson, R., Torres, J.A. (1993): Time-variable retort temperature profiles for cylindrical cans: batch process time, energy consumption, and quality retention model. Journal of Food Process Engineering 16(4), pp. 271-287. Alonso, A. A., Banga, J. R., Perez-Martin, R. (1997): A complete dynamic model for the thermal processing of bioproducts in batch units and its application to controller design. Chemical Engineering Science 52(8), pp. 1307-1322, ISSN 0009-2509, DOI: 10.1016/S0009-2509(96)004848. Avriel, M., Diewert, W. E., Schaible, S., Zang, I. (1988): Generalized concavity. Plenum Publishers, New York, pp. 45-53. 127
Awuah, G. B., Ramaswamy, H. S., Economides, A. (2007): Thermal processing and quality: Principles and overview. Chemical Engineering and
Processing
46(6),
pp.
584-602,
ISSN
0255-2701,
DOI:
10.1016/j.cep.2006.08.004. Álmos, A., Győry, S., Horváth, G., Várkonyiné, K. A. (2002): Genetikus algoritmusok. Typotex Kiadó, Budapest, pp. 20-34. Banga, J. R., Balsa-Canto, E., Moles, C. G., Alonso, A. A. (2003): Improving food processing using modern optimization methods. Trends in Food Science & Technology 14(4), pp. 131-144, ISSN 0924-2244, DOI: 10.1016/S0924-2244(03)00048-7. Bazaraa, M. S., Shetty, C. M. (1976): Foundations of optimization. Lecture notes in Economics and Mathematical Systems 122, Springer-Verlag, Berlin, Heidelberg, New York, pp. 110-117. Bazaraa, M. S., Shetty, C. M. (1979): Nonlinear programming, theory and algorithms. John Wiley and Sons, New York. pp. 22-24. Bäck, T. (1996): Evolutionary algorithms in theory and practice. Oxford University Press, New York, 1996. p. 38 Bhowmik, S. R., Vichnevetsky, R., Hayakawa, K. I. (1985): Mathematical model to estimate steam consumption in vertical still retort for thermal processing of canned foods. Lebensmittelwissenschaft und Technologie 18(1), pp. 15-23. Biacs, P. Á. (1998): Kíméletes élelmiszer-feldolgozás – Egészségvédő élelmiszerek (Mild foodprocessing – Health defending foods.), Magyar Kém. Foly. 104(3), pp. 115-117
128
Biacs, P. Á. (2003): Az élelmiszer-biztonság, mint kommunikációs eszköz a fogyasztók megnyerésében. Konzervújság 51(3), pp. 9-10. Biacs P. Á. (2005): Az élelmiszer-biztonság hatása a termékek piaci versenyére Magyarországon. Élelmiszer, táplálkozás és marketing (1-2), pp. 13-16. Bigelow, W.D. (1921): The Logarithmic Nature of Thermal-death-time Curves. Jour. Infect. Dis., 29, pp. 528-536. Bigelow, W. D., Bohart, G. S., Richardson, A. C., Ball, C. O. (1920): Heat Penetration in Proeessing Canned Foods. Natl. Canners Assoc. Bul. 16L. Bigelow, W. D., Esty, J. R.(1920): The Thermal Death in Relation to Time of Typical Thermophilic Organisms. Jour. Infect. Dis., 27, pp. 602-617. Bíró, G., Bíró, Gy. (2000): Élelmiszer – biztonság, Táplálkozás – egészségügy. Agroinform Kiadó, Budapest, pp. 49-100. Borgulya, I. (2004): Evolúciós algoritmusok. Dialog Campus Kiadó Budapest-Pécs, pp. 27-32. Campbell, S., Ramaswamy, H.S. (1992): Heating rate, lethality and cold spot location in air entrapped retort pouches during overpressure processing. Journal of Food Science 57(29), pp. 485-489. Chalabi, Z. S., van Willigenburg, L. G., van Straten, G. (1999): Robust optimal receding horizon control of the thermal sterilization of canned foods. Journal of Food Engineering 40(3) pp. 207-218, ISSN 02608774, DOI: 10.1016/S0260-8774(99)00057-6. Chen, C. R., Ramaswamy, H. S. (2002): Modeling and optimization of variable retort temperature (VRT) thermal processing using coupled 129
neural networks and genetic algorithms. Journal of Food Engineering 53(3),
pp.
209-220,
ISSN
0260-8774,
DOI:
10.1016/S0260-
8774(01)00159-5. Chen, C. R., Ramaswamy, H. S. (2007): Visual Basics computer simulation package for thermal process calculations. Chemical Engineering and Processing
46(7),
pp.
603-613,
ISSN
0255-2701,
DOI:
10.1016/j.cep.2006.08.003. Chiewchan, N., Phungamngoen, C., Siriwattanayothin, S. (2006): Effect of homogenizing pressure and sterilizing condition on quality of canned high fat coconut milk. Journal of Food Engineering 73(1), pp. 38-44, ISSN 0260-8774, DOI: 10.1016/j.jfoodeng.2005.01.003. Deák, T. (2006): Élelmiszer-mikrobiológia. Mezőgazda Kiadó, Budapest, p. 48., 138. Deák, T., Farkas, J., Incze, K. (1980): Konzerv-, hús- és hűtőipari mikrobiológia. Mezőgazdasági Kiadó, Budapest, p. 126., 229. Devatkal S., Mendiratta, S. K., Kondaiah, N. (2004): Quality characteristics of loaves from buffalo meat, liver and vegetables. Meat Science 67(3), pp. 377-383, ISSN 0309-1740, DOI: 10.1016/j.meatsci.2003.11.006. Durance, T. D. (1997):, Improving canned food quality with variable retort temperature processes. Trends in Food Science & Technology 8(4), pp. 113-118, ISSN 0924-2244, DOI: 10.1016/S0924-2244(97)01010-8. Eisner, M. (1979): Die Pasteurization von Schinken-Halbkonserven mit Hilfe der selektiven Stufenverfahrens. Fleischwirtschaft 59(10), pp. 1443-1451.
130
Eszes, F., Huszka, T. (1998): Megfontolások a húsipari főzési és pasztőröző hőkezelések modellezéséhez I. Rész: A pasztőröző hőkezelés kezdeti és peremfeltételeinek vizsgálata. A Hús (1), pp. 11-17. Eszes, F., Rajkó, R., Szabó, G. (2003): Energia és vízfelhasználás csökkentés lehetőségeinek feltárása a húsiparban. 10 Symposium on Analytical and Environmental Problems, MTA Szegedi Akadémiai Bizottság Kémiai Szakbizottság Környezetvédelmi és Analitikai Munkabizottsága,
Szegedi
Tudományegyetem,
Szeged,
2003.
szeptember 29. Proceedings, Szegedi Tudományegyetem, Szeged, pp. 169-174. Farkas, J. (1901): Theorie der einfachen Ungleichungen. Journal für die Reine und Angewandte Mathematik 124, pp. 1-27. Farkas, J. (2001): Future trends in food technology – Novel food and transgenic food – A review. Acta Alimentaria 30(3), pp. 267-279. Farkas, J., Kiss, I., Ormay, L., Takács, J., Vörös, J. (1978): Mikrobiológiai vizsgálati módszerek az élelmiszeriparban 2. Minőségi vizsgálatok (A mikroorganizmusok vizsgálata). Mezőgazdasági Könyvkiadó Vállalat, Budapest, pp. 115-117. Feliciotti, E., Esselen, W. B. (1957): Thermal destruction rates of thiamine in pureed meats and vegetables. Food Technol. 11(2), pp. 77-84. Flambert, F., Deltour, J. (1972): Localization of the critical area in thermally processed conduction heated canned food. Lebensmittelwissenschaft und Technologie 5(1), pp. 7-13. Fogel, D. B. (1995): Evolutionary Computation. IEEE Press, pp. 23-25.
131
Fryer, P. J., Robbins, P. T. (2005): Heat transfer in food processing: ensuring product quality and safety. Applied Thermal Engineering 25(16), 4th European Thermal Sciences Conference, November 2005, pp.
2499-2510,
ISSN
1359-4311,
DOI:
10.1016/j.applthermaleng.2004.11.021. Galántai, A., Hujter, M. (1997): Optimalizálási módszerek. Miskolci Egyetemi Kiadó, Miskolc, pp. 13-20. Glover, F. (1986): Future paths for integer programming and links to artificial intelligence. Computers & Operations Research 13(5), pp. 533–549. Goldberg, I. (1994): Functional Foods. Chapman & Hall, New York. pp. 5355. Goncalves, E.C., Minim, L.A., Coimbra, J. S. R., Minim, J.S.R. (2005): Modeling sterilization process of canned foods using artificial neural networks. Chemical Engineering and Processing 44(12), pp. 1269-1276, ISSN 0255-2701, DOI: 10.1016/j.cep.2005.04.001. Gonzalez, T. (2007): Handbook of approximation algorithms and metaheuristics. Chapman & Hall/CRC, New York, pp. 265-273. Hillier, F. S., Lieberman, G. J. (1994): Bevezetés az operációkutatásba. LSI Oktatóközpont, Budapest, pp. 18-23. Horváth, L., Szlávi, P., Zsakó, L. (1987): Modellezés és szimuláció. ELTE sokszorosítóüzem, Budapest, pp. 13-19., 37-40. Juels, A., Wattenberg, M. (1994): Stochastic hillclimbing as a baseline method for evaluating genetic algorithms. Technical report, UC Berkeley, pp. 47-53. 132
Karush, W. (1939): Minima of function of several variables with inequalities as side conditions, Master’s Thesis, Department of Mathematics, University of Chicago, pp.12-14. Kebede, E., Mannheim, C. H., Miltz, J. (1996): Heat penetration and quality preservation during thermal treatment in plastic trays and metal cans. Journal of Food Engineering 30(1-2), pp. 109-115, ISSN 0260-8774, DOI: 10.1016/S0260-8774(96)00007-6. Kerekes, S., Szlávik, J. (1996): A környezeti menedzsment közgazdasági eszközei. Környezetvédelmi kiskönyvtár 2. Közgazdasági és Jogi Könyvkiadó, Budapest, pp. 37-38. Kirkpatrick, S., Gelatt, Jr., C. D., Vecchi, M. P. (1983): Optimization by simulated annealing. Science 220(4598), pp. 671–680. Kiss, I. (2000): Újabb élelmiszer-tartósítási eljárások. Konzervújság. 2000/2. sz. pp. 40. Komlósi, S. (1996): Bevezetés egyensúlyi és optimalizáló modellek vizsgálatának
matematikai
módszereibe.
Janus
Pannonius
Tudományegyetem Közgazdaságtudományi Kar, Pécs, pp. 27-30. Kovács, Á. (1997): Az élelmiszertudomány alapjai III. Élelmiszerek mikrobiológiája és mikroökológiája. (Jegyzet.) Pécsi Orvostudományi Egyetem Egészségügyi Főiskolai Kar, Pécs, p. 148., 199., 327. Körmendy, I., Körmendy, P. (2007): A kritikus pont helye hővezetéssel melegedő konzervben. Véglapjain hőszigetelt hengeres konzerv. Élelmezési ipar 61(1), pp. 21-26. Kuhn, H. W., Tucker, A. W. (1950): Nonlinear programming, in: Proceedings of the Second Berkeley Symposium on Mathematical 133
Statistics and Probability, University of California Press, Berkeley, California, pp. 481-492. Lagrange, J. L. (1788): Mécanique analytique, Desaint, Paris, pp. 1-11. Langdon, W. B. (1998): Genetic Programming and Data Structures: Genetic Programming + Data Structures = Automatic Programming! Kluwer, Boston, pp. 35-40. Lee, K. T. (2010): Quality and safety aspects of meat products as affected by various physical manipulations of packaging materials. Meat Science 86(1), Special Issue: 56th International Congress of Meat Science and Technology (56th ICoMST), 15-20 August 2010, Jeju, Korea, pp. 138150, ISSN 0309-1740, DOI: 10.1016/j.meatsci.2010.04.035. Lemmens, L., Tiback, E., Svelander, C., Smout, C., Ahrne, L., Langton, M., Alminger, M., Van Loey, A., Hendrickx, M. (2009): Thermal pretreatments of carrot pieces using different heating techniques: Effect on quality related aspects. Innovative Food Science & Emerging Technologies
10(4),
pp.
522-529,
ISSN
1466-8564,
DOI:
10.1016/j.ifset.2009.05.004. Mangasarian, O. L. (1969): Nonlinear programming. McGraw-Hill Book Company, New York, pp. 69-82. Marra. F., Romano, V. (2003): A mathematical model to study the influence of wireless temperature sensor during assessment of canned food sterilization. Journal of Food Engineering 59(2-3), pp. 245-252, ISSN 0260-8774, DOI: 10.1016/S0260-8774(02)00464-8. Martos, B. (1975): Nonlinear programming: theory and methods. NorthHolland, Amsterdam; Akadémiai Kiadó, Budapest, pp. 53-61.
134
Meng, Y., Ramaswamy, H. S. (2005): Heat Transfer Coefficients Associated with Canned Particulate/Non-Newtonian Fluid (CMC) System During End-Over-End Rotation. Food and Bioproducts Processing
83(3),
pp.
229-237,
ISSN
0960-3085,
DOI:
10.1205/fbp.04076. Meng Y., Ramaswamy, H. S. (2007): Effect of System Variables on Heat Transfer to Canned Particulate Non-Newtonian Fluids During EndOver-End Rotation. Food and Bioproducts Processing 85(1), pp. 34-41, ISSN 0960-3085, DOI: 10.1205/fbp.06007. Meng, Y., Ramaswamy, H. S. (2007): System variables affecting heat transfer in a canned particle in Newtonian fluid system during end-overend rotation. LWT - Food Science and Technology 40(7), pp. 12401245, ISSN 0023-6438, DOI: 10.1016/j.lwt.2006.08.010. Miri, T., Tsoukalas, A., Bakalis, S., Pistikopoulos, E. N., Rustem, B., Fryer, P. J. (2008): Global optimization of process conditions in batch thermal sterilization of food. Journal of Food Engineering 87(4), pp. 485-494, ISSN 0260-8774, DOI: 10.1016/j.jfoodeng.2007.12.032. Nguyen, L. T., Tay, A., Balasubramaniam, V. M., Legan, J.D., Turek, E J., Gupta, R. (2010): Evaluating the impact of thermal and pressure treatment in preserving textural quality of selected foods. LWT - Food Science and Technology 43(3), pp. 525-534, ISSN 0023-6438, DOI: 10.1016/j.lwt.2009.09.022. Novak, J.S., Juneja, V.K., McClane, B.A. (2003): An ultrastructural comparison of spores from various strains of Clostridium perfringens and correlations with heat resistance parameters. International Journal of Food Microbiology 86, pp. 239–247. 135
Ohlsson, T. (1980): Temperature Dependence of Sensory Quality Changes During Thermal Processing. Journal of Food Science 45(4), pp. 836839. Ramaswamy, H. S., Lo, K. V., Tung, M. A. (1982): Simplified Equations for transient Temperatures in Conductive Foods with Convective Heat Transfer at the Sufrace. Journal of Food Science 47(6), pp. 2042-2047. Rao, M. A., Kenny, J. F., Katz, J., Downing, D.L. (1976): Computer estimation of heat losses in food processing plants. Food Technology 30(3), pp. 36-39., 42. Rao, M. A., Katz,J., Goel, V.K. (1978): Economic evaluation of measures to conserve energy in food processing plants. Food Technology 32(4), pp. 34-39. Rapcsák, T. (1997): Smooth nonlinear optimization in Rn. Kluwer Academic Publishers, Boston, pp. 12-17. Reichert, J. A. (1980): Optimierung der Kochbedingungen für Brüh- und Kochwürste. Fleischerei 31, p. 1173. Reichert, J. A., Bremke, H., Baumgart, J. (1979): Zur Ermittlung der Erhitzungseffektes für Kochschinken. Fleischerei 30, 624-633. Reichert, J. A., Thumel, H., Lüchtefeld, G. (1988): Zur Pasteurisation von Fleischerzeugnissen. Fleischerei 39, p. 199. Sendin J. O. H., Alonso, A. A., Banga, J. R. (2010): Efficient and robust multi-objective optimization of food processing: A novel approach with application to thermal sterilization. Journal of Food Engineering 98(3) pp. 317-324, ISSN 0260-8774, DOI: 10.1016/j.jfoodeng.2010.01.007.
136
Shin, S., Bhowmik, S. R. (1995): Thermal kinetics of color changes in pea puree. Journal of Food Engineering 24(1), pp. 77-86, ISSN 0260-8774, DOI: 10.1016/0260-8774(94)P1609-2. Sielaff,
H.,
Andrae,
Fleischkonserven
W., und
Oelker,
P.
industrielle
(1982):
Herstellung
Speisenproduktion.
von VEB
Fachbuchverlag, Leipzig, pp. 230-239. Simpson, R. (2004): Generation of isolethal processes and implementation of simultaneous sterilisation utilising the revisited general method. Journal of Food Engineering 67(1), pp. 71-79, ISSN 0260-8774, DOI: 10.1016/j.jfoodeng.2004.05.061. Simpson, R., Abakarov, A., Teixeira, A. (2008): Variable retort temperature optimization using adaptive random search techniques. Food Control 19(11),
pp.
1023-1032,
ISSN
0956-7135,
DOI:
10.1016/j.foodcont.2007.10.010. Simpson, R., Abakarov, A. (2009): Optimal scheduling of canned food plants including simultaneous sterilization. Journal of Food Engineering 90(1),
pp.
53-59,
ISSN
0260-8774,
DOI:
10.1016/j.jfoodeng.2008.06.009. Simpson, R., Cortes, C., Teixeira, A. (2006a): Energy consumption in batch thermal processing: model development and validation. Journal of Food Engineering
73(3),
pp.
217-224,
ISSN
0260-8774,
DOI:
10.1016/j.jfoodeng.2005.01.040. Simpson, R., Figueroa, I., Teixeira, A. (2006b): Optimum on-line correction of process deviations in batch retorts through simulation. Food Control 17(8),
pp.
665-675,
ISSN
10.1016/j.foodcont.2005.06.004. 137
0956-7135,
DOI:
Simpson, R., Teixeira, A., Almonacid, S. (2007): Advances with intelligent on-line retort control and automation in thermal processing of canned foods. Food Control 18(7), pp. 821-833, ISSN 0956-7135, DOI: 10.1016/j.foodcont.2006.04.006. Singh, R. P. (1978): Energy accounting in food process operations. Food Technology 32(4), pp. 40-43. Singh, R. P. (ed.) (1986): Energy in Agriculture Volume I. Energy in Food Processing. Elsevier Amsterdam-Oxford-New York-Tokio, pp 163-170, Stoff (1973): Modell és filozófia. Kossuth Kiadó, Budapest, p. 64. Stoforos, N.G.(1995): Thermal process design. Food Control 6(2), pp. 8194, ISSN 0956-7135, DOI: 10.1016/0956-7135(95)98911-J. Szenes, E., Oláh, M. (szerk.) (1991): Konzervipari kézikönyv. IntegraProjekt Kft., Budapest, pp. 67-70. Szűcs, E. (1976): Dialógusok a műszaki tudományokról. Műszaki Könyvkiadó, Budapest, pp. 14-53. Szücs, E. (1996): Rendszer és modell, I. Nemzeti Tankönyvkiadó, Budapest, pp. 20-38. Uno, J., Hayakawa, K. I. (1979): Nonsymmetric heat conduction in an infinite slab. Food technology 29(12), p. 33. Vinci, G., Antonelli, M. L. (2002): Biogenic amines: quality index of freshness in red and white meat. Food Control 13(8), pp. 519-524, ISSN 0956-7135, DOI: 10.1016/S0956-7135(02)00031-2. Welt, B. A, Teixeira, A. A., Chau, K. V., Balaban, M. O., Hintenlang, D. E. (1997): Explicit finite difference methods for heat transfer simulation and thermal process design. Journal of Food Science 62(2), pp. 230-236. 138
Yang, W. H., Rao, M. A. (1998): Numerical study of parameters affecting broken heating curve. Journal of Food Engineering 37(1), pp. 43-61, ISSN 0260-8774, DOI: 10.1016/S0260-8774(98)00070-3. Zegeye, A (1999): A note on the influence of heat treatment, salting and smoking on the acceptability of camel meat products. Meat Science 53(4),
pp.
217-219,
ISSN
0309-1740,
DOI:
10.1016/S0309-
1740(99)00057-1. Zhang, W., Xiao, S., Samaraweera, H., Lee, E. J., Ahn, D. U. (2010): Improving functional value of meat products. Meat Science 86(1), Special Issue: 56th International Congress of Meat Science and Technology (56th ICoMST), 15-20 August 2010, Jeju, Korea, pp. 1531, ISSN 0309-1740, DOI: 10.1016/j.meatsci.2010.04.018. Zhu, S., Naim, F., Marcotte, M., Ramaswamy, H., Shao, Y. (2008): Highpressure destruction kinetics of Clostridium sporogenes spores in ground beef at elevated temperatures. International Journal of Food Microbiology 126(1-2), pp. 86-92.
139
A DISSZERTÁCIÓ TÉMAKÖRÉBŐL MEGJELENT PUBLIKÁCIÓK Idegen nyelvű cikk tudományos folyóiratban Fabulya, Z. (2008): Cost optimizing of autoclaving in Excel environment. Review of Faculty of Engineering Analecta Technika Szegedinensia 2008, SZTE Mérnöki Kar, Szeged, pp. 19-25. ISSN 1788-6392 Fabulya, Z. (2010): Modelling and optimizing in autoclaving. Review of Faculty of Engineering Analecta Technika Szegedinensia 2010(2-3), SZTE Mérnöki Kar, Szeged, pp. 62-67. ISSN 1788-6392
Külföldi konferencia kiadványban megjelent proceeding Fabulya, Z., Nagy, M. (2007): Developing managerial decision preparing system for food industry enterprises using heat treating autoclave. Proceedings of the 6th Biennal Conference of European Federation of IT in Agriculture, Glasgow, 2007.07.02-05., Caledonian University, Glasgow, ISBN-10: 1-905866-10-0, ISBN-13: 978-1-90-5866-10-6, Proceedings
in
CD-ROM:
EFITA
Proceeding
CD/monday/1400/business_themedss_applications/fabulya_zoltan_20070331151402.pdf Fabulya, Z., Hampel, Gy., Nagy, M. (2009): Modelling and simulation in heat treating. 12th Symposium of Mathematics and its Applications. „Politechnika” University of Timisoara, November, 5-7, 2009., Bul. St. Univ. „Politehnica” Timisoara – Transactions on Mathematics – Physics, Timisoara, pp. 332-337. ISSN 1224-6069 140
Külföldi konferencia kiadványban megjelent abstract Fabulya, Z. (2007): Decision support in heat treating. 9th International Symposium Interdisciplinary Regional Research (ISIRR-2007), Novi Sad, 2007.06.21-23., Fakultet tehničkih nauka, Novi Sad, p. 46. ISBN 978-86-7892-042-4
Magyar nyelvű cikk tudományos folyóiratban Fabulya, Z. (2007): Autoklávos hőkezelés szimulációja élelmiszeripari vállalatok energia költségének optimalizálására. VI. Alkalmazott Informatika
Konferencia.
Kaposvár,
2007.05.25.,
Acta
Agraria
Kaposváriensis 11(2), Kaposvári Egyetem, Állattudományi Kar, Kaposvár, pp. 125-134, ISSN: 1418-1789, (CD: Disc/14Fabulya.pdf), Fabulya, Z. (2008): Autoklávos hőkezelés számítógépes modellezése, erőforrásainak optimális felhasználása. Agrár- és Vidékfejlesztési Szemle 3(1), Multifunkcionális Mezőgazdaság nemzetközi tudományos konferencia, Hódmezővásárhely, 2008.04.24., SZTE Mezőgazdasági Kar, Hódmezővásárhely, p. 71., ISSN 1788-5345, Proceedings in CD: SZTE_2008_04/pdf/062_Fabulya.pdf Fabulya, Z., Bánkuti, Gy. (2008): Adatelőkészítés, elemzés húskonzervgyártás
gázfogyasztásának
Informatika
Konferencia.
modellezéséhez. Kaposvár,
VII.
2008.05.23.,
Alkalmazott Acta
Agraria
Kaposváriensis 12(2), Kaposvári Egyetem, Állattudományi Kar, Kaposvár,
pp.
71-81.,
ISSN:
1418-1789,
(URL:
http://oldportal.ke.hu/msites/atk/UserFiles/File/PDF/VOL12NO2/07Fab ulya.pdf), 141
Fabulya Zoltán, Hampel György (2009): Hőkezelési folyamat számítógépes modellezése. Jelenkori társadalmi és gazdasági folyamatok 4(1), Szegedi Tudományegyetem Mérnöki Kar, Szeged, pp. 117-123., ISSN 1788-7593 Fabulya Zoltán (2009): Hőkezelési folyamat modellezési adatainak előkészítése,
elemzése
húskonzerv-gyártás
gázfogyasztásának
optimalizálásához. Jelenkori társadalmi és gazdasági folyamatok 4(2), Szegedi Tudományegyetem Mérnöki Kar, Szeged, pp. 85-90., ISSN 1788-7593 Fabulya Zoltán, Hampel György (2010): Adatbázis alkalmazási lehetőségei autoklávos hőkezelésnél. Jelenkori társadalmi és gazdasági folyamatok 5(1-2), Szegedi Tudományegyetem Mérnöki Kar, Szeged, pp. 239-243., ISSN 1788-7593 Fabulya Zoltán (2010): Adatgyűjtés, adatelemzés hőkezelési folyamat modellezéséhez. Jelenkori társadalmi és gazdasági folyamatok 5(1-2), Szegedi Tudományegyetem Mérnöki Kar, Szeged, pp. 234-238., ISSN 1788-7593 Fabulya, Z., Hampel, Gy., Nagy, M. (2010): Gőzfogyasztás matematikai modellezése és számítógépes szimulációja konzervgyártás során. „Mezőgazdaság és vidék a klímaváltozás és a válság szorításában” c. IX.
Wellmann
Oszkár
Nemzetközi
Tudományos
Konferencia.
Hódmezővásárhely, 2010.04.22., Agrár- és Vidékfejlesztési Szemle 5(1),
SZTE Mezőgazdasági Kar, Hódmezővásárhely, pp. 522-527.,
ISSN 1788-5345, Proceedings in CD: SZTE_2010_04/pdf/Posters.pdf),
Hazai konferencia kiadványban megjelent proceeding 142
Fabulya, Z. (2006): A Wonderware InTouch szoftver alkalmazása ipari folyamatok
vizualizálására
az
oktatásban.
VII.
Nemzetközi
Élelmiszertudományi Konferencia, Szeged, 2006.04.20., A VII. Nemzetközi
Élelmiszertudományi
Konferencia
előadásának
és
posztereinek összegoglalói, SZTE Szegedi Élelmiszeripari Főiskalai Kar, Szeged, pp. 150-151., ISBN 963 482 676 8, Proceedings in CD: 7thicofs/sections/6_Posters/41_Fabulya.pdf Fabulya, Z. (2006): The educational application of the Wonderware Intouch software for the visualization of industrial process. V. Alföldi Tudományos Tájgazdálkodási Napok. Mezőtúr, 2006.10.26-27., V. Alföldi Tudományos Tájgazdálkodási Napok, Összefoglalók, Szolnoki Főiskola Műszaki és Mezőgazdasági Fakultás, Mezőtúr, pp. 150-151., ISBN: 963 06 0817 0, Proceedings in CD: LAND MNGMNT2006/szovegek/Muszaki
fejl/poszter_Muszaki/Fabulya
Zoltan_The
educational.doc Fabulya, Z. (2007): Autoklávos hőkezelés költség-optimalizálása Excel környezetben. Európai Kihívások IV. Nemzetközi Tudományos Konferencia. Szeged, 2007.10.12., Európai Kihívások IV. Nemzetközi Tudományos Konferencia, SZTE Mérnöki Kar, Szeged, pp. 645-649., ISBN 978-963-482-857-0 Fabulya, Z. (2008): Számítógépes szimuláció alkalmazása konzervek hőkezelésére. International Conference on Science and Technique in the Agri-Food Business. Szeged, 2008.11.5-6., Tudomány és Technika az Agrár- és Élelmiszergazdaságban, ICoSTAF2008 Összefoglalók, SZTE Mérnöki Kar, Szeged, pp. 250-251., ISBN 963 482 676 8, Proceedings in CD: /pdf/MPE/Fabulya_Zoltan_full.pdf
143
Fabulya Zoltán, Hampel György (2009): Húskonzervek hőkezelésének optimalizálása az erőforrás-felhasználás és a termékminőség jegyében. Heat treatment optimization of canned meats in terms of the resource utilization and the quality of the products. 2nd International Economic Conference, International
Kaposvár, Economic
2009.04.02-03., Conference,
Abstract
of
Kaposvári
the
2nd
Egyetem,
Gazdaságtudományi Kar, Kaposvár, p. 83., ISBN 978-963-9821-07-1, Proceedings in CD: /cikkek/Fabulya_Hampel.pdf, ISBN 978-963-982108-8
144
A DISSZERTÁCIÓ TÉMAKÖRÉN KÍVÜLI PUBLIKÁCIÓK Kispéter, J., Horváth, L., Kiss, L., Fabulya, Z. (1990): The application of TL and ESR metods in the investigation of milk protein concentrate powder. ESNA XXIth Annual Meeting, Kassa, 1990.09.15-16., Book of Abstracts, VŠZ Brno, p. 65. Kispéter, J., Fabulya, Z., Kiss, L. (1991): Számítógéppel vezérelt TLmérőberendezés. CAFPA `91 szimpózium, Budapest, 1991.06.04-06., A számítástechnika
alkalmazása
az
élelmiszeriparban
és
a
mezőgazdaságban, Budapesti Műszaki Egyetem, Budapest, pp. 73-77. Gyeviki, J., Fabulya,
Z. (1994): Pneumatikus pozícionáló hajtás
megvalósítása hagyományos elemekkel. Tudományos közlemények 17, Szegedi Élelmiszeripari Főiskola, Szeged, pp. 148-157. Nagy, E.né, Nagy, E., Heves, Cs., Fabulya, Z. (1994): Vonalgrafikus rendszerek oktatása a menedzserképzésben. Főiskolák matematika, fizika
és
számítástechnikai
tanárainak
konferenciája,
Szeged,
1994.08.25-26, Juhász Gyula Tanárképző Főiskola, Szeged, pp. 101102. Gyeviki, J., Fabulya, Z. (1995): Pozícionáló hajtások fejlesztése az élelmiszeripari
anyagmozgatás
és
csomagolástechnika
részére.
Automation '95 Conference with International Participation, Budapest, 1995.09.05-07., Budapesti Műszaki Egyetem, Budapest, pp. 273-281. Szilágyi, J., Fabulya, Z. (1995): Élelmiszeripari hőkezelő berendezések vízés gőzfogyasztás ütemezése. Automation '95 Conference with 145
International
Participation,
Budapest,
1995.09.05-07.,
Budapesti
Műszaki Egyetem, Budapest, pp. 294-300. Fabulya, Z. (1995): A "számítógépes tervezés" oktatási tapasztalatai. Automation '95 Conference with International Participation, Budapest, 1995.09.05-07., Budapesti Műszaki Egyetem, Budapest, pp. 635-636. Nagy, M., Heves, Cs., Fabulya, Z. (1996): Computer Aided Instruction in the High Education. CATE 96, The First International Conference on „Computers and Advenced Technologies in Education”, Cairo, 1996.03.18-20., University of Cairo, Cairo, pp. 407-412. Nagy, M., Heves, Cs., Fabulya, Z. (1996): Computer Aided Instruction in the Hungarian higher education. 8th International Congress on Mathematical Education, Seville, 1996.07.14-21., University of Seville, Seville, p. 123. Nagy, E.-né, Schleusener, H., Hampel, Gy., Fabulya, Z., Nagy, E. (1999): Informatikai eszközök alkalmazása a tőzsdei ismeretek oktatásában (Application of informatics tools in Exchange Knowledge teaching). Informatika
a
Felsőoktatásban
'99,
Debrecen,
1999.08.27-29.,
Konferencia kiadvány (1), Debreceni Egyetemi Szövetség, Debrecen, pp 351-356., ISBN 963 03 8318 7 Ö, ISBN 963 03 8319 5 Gyeviki, J., Fabulya, Z. (1999): Pneumatikus működtetésű fordított inga fuzzy szabályozással. Tudományos Közlemények 20. JATE SZÉF Szeged, pp. 46-53. Gyeviki, J., Fabulya, Z., Kiss, R. (1999): Pneumatic Driven Inverted Pendulum With Fuzzy Control. 2nd International Conference of PhD Students, Miskolc, 1999.08.08-14., Miskolci Egyetem, Miskolc, pp.105110., ISBN 963 661 374, ISBN 963 661 378 8 146
Gyeviki, J., Fabulya, Z., Kiss R. (2000) Fuzzy szabályozás gyakorlati alkalmazása (Partical realistation of Fuzzy controll). IV. Nemzetközi Élelmiszertudományi Konferencia (IV.th International Conference of Food Sciences), Szeged, 2004.04.08., JATE SZÉF, Szeged, pp. 65-66. Nagy E.-né, Nagy E., Heves Cs., Fabulya Z. (2000) Az információs rendszerek szerepe a magyar élelmiszeriparban az EU csatlakozás tükrében (Role of integration system in hungarian food industry in mirror of EU-affiliation). IV. Nemzetközi Élelmiszertudományi Konferencia (IV.th International Conference of Food Sciences), Szeged, 2004.04.08., JATE SZÉF, Szeged, pp 53-54. Gyeviki, J., Fabulya, Z., Sárosi, J. (2001): Fuzzy Logika megvalósítása Cnyelven. Tudományos Közlemények 22, SZTE SZÉF, Szeged, pp. 4045., ISSN 02-38-3756 Nagy. E.-né, Hampel, Gy., Fabulya, Z. (2001): A számítógépek oktatási alkalmazásai. Tudományos Közlemények 22, SZTE SZÉF, Szeged. pp. 205-209., ISSN 02-38-3756 Gyeviki,
J.,
Fabulya,
Z.
(2002):
Eletkropneumatikus
pozícionálás
modellezése és vizsgálata. Hungelektro 2002. VII. Nemzetközi Elektronikai Technológiai Szakkiállítás és Konferencia 2002.04.23-25. Budapest, BME, Budapest, pp. 1-5. Gyeviki, J., Fabulya, Z. (2002): Pneumatic Positioning with Intelligent Control III. Alföldi Tudományos Tájgazdálkodási Napok, Mezőtúr 2002.10.17., Tessedik Sámuel Főiskola Mezőgazdasági Főiskolai Kar, Mezőtúr, pp. 21-26. Fabulya, Z. (2002): „Számítógépes tervezés” oktatása az SZTE SZÉF gépészmérnök szakán. III. Alföldi Tudományos Tájgazdálkodási 147
Napok, Mezőtúr 2002.10.17., Tessedik Sámuel Főiskola Mezőgazdasági Főiskolai Kar, Mezőtúr, pp. 110-114. Gyeviki, J., Fabulya, Z. (2002): Szervopneumatikus pozícionálás vizsgálata és szimulációja. V. Nemzetközi Élelmiszertudományi Konferencia 2002.10.24-25., Szeged, SZTE SZÉF, Szeged, pp. 1-6. Fabulya, Z., Hampel, Gy. (2003): Teaching Computer Aided Design at the University of Szeged College Faculty of Food Engineering. 4th Conference of the European Federation for Information Technology in Agruculture, Food and Environment, Debrecen, 2003.05-09., Debreceni Egyetem, Debrecen, pp. 860-862., ISBN 963 472 768 9 Fabulya, Z. (2003): A digitális kultúra szerepe a gépészmérnök hallgatók műszaki tervezés oktatásában. Európai Kihívások II. Tudományos Konferencia. Szeged, 2003.05.16., SZTE Szegedi Élelmiszeripari Főiskolai Kar, Szeged, pp.45-48., ISBN 963 210 236 3 Fabulya, Z. (2004): Role of the digital culture in the computer aided design teaching of the students at the University of Szeged College Faculty of Food Engineering. VI. Nemzetközi Élelmiszertudományi Konferencia, Szeged, 2004.05.20-21., A VI. Nemzetközi Élelmiszertudományi Konferencia előadásainak és posztereinek összefoglalói, SZTE Szegedi Élelmiszeripari
Főiskolai
Kar,
Szeged,
pp.
239-240.,
ISBN
963 482 676 8 Fabulya, Z. (2005): Programozás oktatása az SZTE Szegedi Élelmiszeripari Főiskolai Karán. Fizikai, Matematika, Számítástechnika Főiskolai oktatók
XXIX.
konferenciája,
Szeged,
2005.08.29-31.,
Fizikai,
Matematika, Számítástechnika Főiskolai oktatók XXIX. konferenciája programfüzet, rezümék, SZTE Juhász Gyula Tanárképző Főiskolai Kar, 148
Szeged,
pp.
103-104.,
Proceedings
in
CD:
/fmszkonf/kiadvany/poszter/FabulyaZoltán.doc, ISBN 963 7356 088 Nagy, M., Hampel, Gy., Fabulya, Z. (2008): E-közigazgatás agrárszakigazgatás Magyarországon. Jelenkori Társadalmi és Gazdasági folyamatok 3(1), SZTE Mérnöki Kar, Szeged, pp. 79-89. ISSN: 17887593 Hampel, Gy., Fabulya, Z., Nagy, M. (2009): Adatbiztonság a Mérnöki Kar személyi számítógépein. Jelenkori Társadalmi és Gazdasági folyamatok 4(1), SZTE Mérnöki Kar, Szeged, pp. 124-131., ISSN 1788-7593
149
SZAKMAI ÉLETRAJZ Fabulya Zoltán adjunktus Szegedi Tudományegyetem, Mérnöki Kar, 6724 Szeged, Mars tér 7. Telefon: (62) 546-000, E-mail:
[email protected]
Születési hely, idő: Medgyesegyháza, 1963.09.02.
Felsőfokú tanulmányok: Élelmiszeripari üzemmérnök, Élelmiszeripari Főiskola (1984) Programozó matematikus, József Attila Tudományegyetem (1991) Programtervező matematikus, József Attila Tudományegyetem (1997)
Nyelvismeret: angol (középfokú C típusú) orosz (alapfokú)
Munkahelyek: Szegedi Tudományegyetem, Mérnöki Kar (1984- )
150
