Národní informační středisko pro podporu kvality.

Slides:



Advertisements
Podobné prezentace
Statistická indukce Teorie odhadu.
Advertisements

TEORIE ROZHODOVÁNÍ A TEORIE HER
Matematické modelování a operační výzkum
Modely hromadné obsluhy Modely front
MARKOVSKÉ ŘETĚZCE.
Projektové řízení Modul č.1.
Testování statistických hypotéz
Limitní věty.
Úvod Klasifikace disciplín operačního výzkumu
NORMOVANÉ NORMÁLNÍ ROZDĚLENÍ
Systémy hromadné obsluhy
Síťová analýza RNDr. Jiří Dvořák, CSc.
Kalmanuv filtr pro zpracování signálů a navigaci
Základy informatiky přednášky Kódování.
Národní informační středisko pro podporu kvality.
Národní informační středisko
Regresní analýza a korelační analýza
Získávání informací Získání informací o reálném systému
Markovské řetězce Definice Markovského řetězce
Deterministické modely zásob Model s optimální velikostí objednávky
Optimalizační úlohy i pro nadané žáky základních škol
Modely montážních linek Gejza Dohnal. Montážní linky.
LOGISTICKÉ SYSTÉMY 4/14.
Pravděpodobnost a statistika opakování základních pojmů
Obsah prezentace Náhodná proměnná Rozdělení náhodné proměnné.
25. října 2004Statistika (D360P03Z) 4. předn.1 Statistika (D360P03Z) akademický rok 2004/2005 doc. RNDr. Karel Zvára, CSc. KPMS MFF UK
1 Národní informační středisko pro podporu jakosti.
také Gaussovo rozdělení (normal or Gaussian distribution)
Databázové systémy Mgr. Lenka Švancarová. Úvod Doposud jsme uvažovali jen o modelu databázového systému, kde jsou veškerá data a systém řízení báze dat.
RNDr. Ladislava Rohlová RNDr. Ladislava Rohlová Aplikace materiálových toků v průmyslovém podniku ENVIKONGRES BRNO 2006.
Jak správně interpretovat ukazatele způsobilosti a výkonnosti
RNDr. Zdenek Kubíček Nemocnice Třinec
Číselné obory Podmínky používání prezentace © RNDr. Jiří Kocourek 2013
Odhady parametrů základního souboru
Generování náhodných veličin (2) Spojitá rozdělení
Systémy hromadné obsluhy
Toolbox analýzy a modelování stochastických systémů b Ústav teorie informace a automatizace, AVČR b Oddělení stochastické informatiky b Ing. Petr Salaba.
Relační databáze.
Poskytuje daný generátor opravdu posloupnost náhodných čísel?
Pravděpodobnost a genetická prognóza
„Svět se skládá z atomů“
Statistická analýza únavových zkoušek
CW – 05 TEORIE ROZHODOVACÍCH PROCESŮ Ústav technologie, mechanizace a řízení staveb Fakulta stavební VUT v Brně © Ing. Václav Rada, CSc. 15. PŘEDNÁŠKA.
LOGISTICKÉ SYSTÉMY /14.
Statistika 2. přednáška Ing. Marcela Čapková.
Ekonomické modelování Analýza podnikových procesů Statistická simulace je vhodný nástroj pro analýzu stochastických podnikových procesů (výrobní, obchodní,
Tvorba simulačních modelů. Než vznikne model 1.Existence problému 2.Podrobnosti o problému a o systému 3.Jiné možnosti řešení ? 4.Existence podobného.
© Institut biostatistiky a analýz INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc.
Systémy hromadné obsluhy
Základy zpracování geologických dat
Metrologie   Přednáška č. 5 Nejistoty měření.
Analýza informačního systému. Podrobně zdokumentovaný cílový stav Paramentry spojené s provozem systému – Cena – Přínosy – Náklady a úspory – …
Modeling claim size in time via copulas (Gaida Pettere & Tonu Kollo) Mgr. Jan Šváb
Kendalova klasifikace SHO
3.1. Štěpení jader Proces štěpení spočívá v rozdělení jádra, např. 235U, na dva nebo více odštěpků s hmotnostmi i atomovými čísly podstatně menšími než.
Analýza podobnosti výsledků přijímacího řízení na FIS VŠE
Vícerozměrné statistické metody Vícerozměrné statistické rozdělení a testy, operace s vektory a maticemi Jiří Jarkovský, Simona Littnerová.
Charakteristika a podmínky dokonalé konkurence
Aplikovaná statistika 2.
TEST DOBRÉ SHODY A TEST NEZÁVISLOSTI Vysoká škola technická a ekonomická v Českých Budějovicích Institute of Technology And Business In České Budějovice.
ROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN Rovnoměrné rozdělení R(a,b) rozdělení s konstantní hustotou pravděpodobnosti v intervalu (a,b) a  x  b distribuční.
Šance pro všechny CZ.1.07/1.2.06/ Montáže Autor: Ing. Bc. Petra Řezáčová.
Základy statistické indukce
Induktivní statistika
Signály a jejich vyhodnocení
Co se dá změřit v psychologii a pedagogice?
Odhady parametrů základního souboru
Výukový materiál zpracován v rámci projektu EU peníze školám
Systémy hromadné obsluhy
Příklad (investiční projekt)
Transkript prezentace:

Národní informační středisko pro podporu kvality

Matematický model kontrolního stanoviště montážní linky RNDr. Jiří Michálek, CSc CQR při ÚTIA AVČR

Motivace Tvorba modelu je motivována výrobou zdravotnické techniky-ventily pro kyslík Každý výrobek je po smontování testován na různé tlaky a na těsnost Pokud výrobek testem neprojde, je opravován a testován, až je v pořádku To vyvolává i několik oprav a testů u téhož výrobku za sebou

Tvorba vhodného modelu Použitý model je založen na markovském řetězci definovaném stavy: T test Ok ventil projde napoprvé R oprava R oprava Rk k-tá oprava S scrap

Tvorba vhodného modelu Matice pravděpodobností přechodů TOkR1R2R3S T0**000 Ok R10*0*00 R20*00*0 R30*000* S100000

Vlastnosti markovského řetězce Řetezec je aperiodický a nerozložitelný s jedinou třídou ergodických stavů Existuje jediné stacionární rozdělení Tyto vlastnosti nezávisejí na počtu oprav Teoreticky by se dal uvažovat i nekonečný počet oprav, ale pak má řetězec jiné vlastnosti Stav S je uměle zaveden, v praxi není

Semi-markovské řetězce Semi-markovský řetezec je definován pravděpodobnostmi Q kl (t), která znamená pravděpodobnost přechodu ze stavu k do stavu l za dobu maximálně délky t V našem modelu bylo uvažováno Q kl (t)=P kl * Pst(τ(kl)≤t), kde P kl jsou pravděpodobnosti přechodů vloženého markovského řetezce

Náhodné časy Ke každé dvojici stavů existuje náhodná veličina, která představuje čas strávený během přechodu z jednoho stavu do druhého Možná rozdělení: lognormální, Weibullovo, gama, normální Volba vhodné distribuce musí být odvozena od konkrétních dat

Kompozice náhodných časů T→Ok doba testu + řízení shodného kusu T→R1 doba testu + doba 1.opravy Ok →T doba přípravy dalšího kusu na test R1 →Ok doba testu + řízení shodného kusu R1 →R2 doba testu + doba 2.opravy R2 →Ok doba testu + řízení shodného kusu Rk →S doba testu + doba řízení neshodného kusu S →T doba přípravy dalšího kusu na test

Vlastnosti semi-markovského řetězce Klasifikace stavů je stejná jako u vloženého markovského řetězce Tento semi-markovský řetězec je regenerativní proces: po každém průchodu stavem T je pokračování procesu pravděpodobnostní replikou předcházejícího cyklu Proces se tak skládá z cyklů T →T

Nejdůležitější charakteristiky 1.Průměrná doba mezi dvěma stavy Ok 2.Průměrná doba mezi dvěma stavy S 3.Průměrná doba jednoho cyklu 4.Průměrný počet shodných kusů za jednotku času 5.Průměrný počet neshodných kusů za jednotku času

Další možnosti Každý přechod může být spojen s ekonomickými náklady tj. např. cena testu, cena k-té opravy, cena za neshodný kus Tím se vytváří další semi-markovský řetězec a lze spočítat např. průměrné náklady na shodný kus v závislosti na matici pravděpodobností přechodu vloženého markovského řetězce

Případová studie Data byla získána z průběhu jedné směny celkem bylo k dispozici 850 údajů z automatického záznamu z kontrolního stanoviště Každý záznam znamenal dosažení nějakého stavu z množiny Ok, R1,.....,R10 Pro zjednodušení stavy R4 – R10 byly sloučeny do stavu S Pravděpodobnosti přechodů byly odhadnuty na základě relativních četností

Matice pravděpodobností přechodů TOkR1R2R3S T0 0,60440, Ok R10 0, , R20 0, , R30 0, ,6190 S100000

Doby přechodů Naměřená data bohužel neobsahovala údaje o časech Pro zjednodušení byly uvažovány odhady středních dob trvání přechodů na základě dotazů a je nutné je brát pouze orientačně Rovněž nejsou žádné údaje o možných nákladech jednotlivých operací při testech

Průměrné doby přechodů Časy jsou v minutách: T →Ok ,08 T →R ,25 Ok →T ,25 R1 →Ok ,08 R1 →R ,35 R2 →Ok ,08 R2 →R ,45 R3 →Ok ,08 R3 →S ,15 S →T ,25

Výsledky-markovský řetězec Stacionární rozdělení: T Ok R1 R2 R3 S 0,3811 0,3665 0,1524 0,0810 0,0244 0,0146 Průměrný čas 1.návratu: T Ok R1 R2 R3 S 2,6240 2,7288 6,56 6,65 16,4 68,3333 (čas je vyjádřen v počtu přechodů)

Výsledky-semi-markovský řetězec Průměrné doby pro počet n přechodů: n=1 1,1480 n=6 5,1166 n=2 1,7732 n=7 5,9325 n=3 2,7185 n=8 6,7521 n=4 3,4649 n=9 7,5643 n=5 4,3084 n=10 8,3835 pro n větší než 10 lze použít aproximaci An+B s A=0,8161 B=0,2211(časy jsou v min)

Výsledky-semi-markovský řetězec Průměrný čas 1.návratu z T do T, tedy průměrná doba jednoho základního cyklu: 2,1415 min Během této doby je pravděpodobnost výskytu shodného kusu rovna 0,9616 a pravděpodobnost výskytu neshodného kusu je tedy 0,0384

Výsledky-semi-markovský řetězec Z těchto údajů plyne, že za jednu hodinu kontrola v průměru vyřídí cca 28 výrobků Shodný výrobek projde stanovištěm v průměru za 2,2270 min a jeden neshodný kus za cca 55,7668 min Tedy v souhrnu lze říci, že za jednu hodinu projde cca 27 shodných kusů a jeden neshodný

Program Model byl vytvořen v prostředí Matlab byla vytvořena speciální funkce MR.m, která slouží obecně k vyhodnocování markovských a semi-markovských řetězců Vstupy jsou pravděpodobnosti přechodů vloženého markovského řetězce a průměrné doby setrvání v jednotlivých přechodech

A to je konec....zatím Děkuji za pozornost