Termelő rendszerek hatékonyságnövelése műszaki és gazdasági kockázatokat kezelő modellek alkalmazásával

Ahhoz, hogy Magyarország versenyképessé váljon az európai kutatási térségben, elengedhetetlen, hogy jól képzett kutatókat alkalmazzunk, akik emellett megfelelő javadalmazást kapnak, továbbá bővüljön a fiatal tehetségek rendelkezésére álló lehetőségek köre és így egyre többen kapcsolódhassanak be nemzetközileg elismert kutatásokba. Az Új Széchenyi Terv kiemelt céljaihoz igazodóan a Nemzeti Kiválóság Program (http://www.nemzetikivalosag.hu) a kutatói szféra munkaerő-piaci esélyeinek növelésére, és a versenyképességi hátrányok felszámolására került kidolgozásra. A rendszer színvonalas támogatást, kutatói ösztöndíjat biztosított a kiváló hallgatóknak, oktató-kutatóknak, ezáltal hozzájárult a hazai kutatási, fejlesztési és innovációs tevékenységek megerősítéséhez, a minőségi felsőoktatás és képzés fejlesztéséhez.

Dr. Abonyi János, a Pannon Egyetem Folyamatmérnöki Intézeti Tanszékének professzora a program kapcsán 2013. szeptember és 2014. december között  Szentágothai János Ösztöndíjban részesült. Az alábbiakban az ösztöndíjas időszak alatt megvalósult kutatómunkát ismertetjük, bízva abban, hogy a témakör felkelti a hallgatók figyelmét, akik tudományos diákköri munka kapcsán is csatlakozhatnak a kutatásokhoz.

Mi motiválta a kutatást?

A száz legnagyobb vegyipari vállalat vezetője szerint a versenyképesség biztosítása szempontjából a jövőben előttük álló legfontosabb feladat a működési hatékonyság növelése. Az EU forráshiányos vállalatai számára kifejezetten a meglévő technológiák működésének folyamatos fejlesztése biztosíthatja a fennmaradást. A működést jellemző teljes eszközhatékonyság (Overall Equipment Effectiveness – OEE) a minőséget, a rendelkezésre állást és a teljesítményt jellemző mutatószámok szorzata.  E három jellemző folyamatos figyelemmel kísérése, elvárható célértékének meghatározása, javítása célirányos döntéstámogató eszközöket igényel.  A folyamatirányítástól az üzleti tervezési szintek felé haladva (lásd alábbi ábra) minden feladatkör kapcsán elengedhetetlen, hogy azonosítsuk, értékeljük és minimalizáljuk a külső gazdasági, piaci, versenytársi, hatósági környezethez és a belső, fejlesztési, technológiai tényezőkhöz társítható bizonytalanságokat, a nem kívánt eseményeket, ezek következményeinek súlyosságát, azaz a hatékonyság növelését a műszaki és gazdasági jellegű kockázatok minimalizálásával is biztosítsuk.

A jelentős innovációs tevékenységet végző vállalatok által javasolt hatékonyságnövelő megoldások közös jellemzője a kutatás, a fejlesztés, a tervezés, az üzemeltetés, az üzleti tervezés, a marketing és a teljes ellátási lánc optimalizálásával kapcsolatos feladatok megoldása során keletkező adatok illetve modellek integráltsága. Ezek a megoldások egyre szélesebb körben alkalmazzák a ma már klasszikusnak mondható adatbányászat eszköztárát. A kutatás célja olyan új modell alapú döntéstámogató eszközök fejlesztése, melyek hatékonyan kezelik a véletlenszerűség forrásait: a nem mért környezeti hatásokat (zavarásokat), a meghibásodásokat, a bizonytalanságot, a komplexitást, és a „kiszámíthatatlan” emberi tényezőket, azaz integrálják a kockázatkezelési-, és menedzsmenti módszereket. Olyan adatbányászati technikák fejlesztése volt a cél, amelyekkel a kockázatok azonosíthatók és számszerűsíthetők, illetve melyekkel a kockázatmenedzsment folyamatos figyelemmel kíséréssel és értékeléssel kapcsolatos tevékenységei gazdaságosabbá, egyszerűbbé és hatékonyabbá válhatnak.

Mi volt a kutatás célja?

Egy komplex termelő és szolgáltató folyamatban rendkívül sok változó befolyásolja a minőséget,
a rendelkezésre állást és az aktuális teljesítményt. Ezeknek a tényezőknek feltárása olyan modellek alkotását teheti lehetővé, melyek a hatékonyságmutatók célértékének képzését, és a számszerűsített célokon keresztül a működési hatékonyság folyamatos növelését is támogathatják. Az általam vezetett kutatócsoport az elmúlt időszakban jelentős tudományos visszhanggal és sikeres alkalmazásokkal jellemezhető eredményeket ért el termelő rendszerek adat-alapú fejlesztésében.

fig1

E munka szerves folytatásaként olyan, az adatok feldolgozását, a nem mért terméktulajdonságok előrebecslését és optimalizációt támogató  algoritmusok fejlesztését tűztem ki célul, melyek nem csak robusztusak a zavarásokkal, a meghibásodásokkal, a bizonytalansággal, a komplexitással, és a „kiszámíthatatlan” emberi tényezőkkel szemben, hanem ezeket a véletlenszerű jelenségeket adekvát módon jellemzik és kezelik.

A dinamikus rendszerek adatainak feldolgozása, a nem kívánt események korai előrejelzése, a nem mért terméktulajdonságok előrebecslése, a piaci kereslet előrejelzése, és a stratégiai tervezés modell alapú támogatása mind-mind olyan sztochasztikus elemeket tartalmazó modelleket igényel, melyekben jelentős szerepet játszik a vizsgált folyamatváltozók időbelisége. A kutatás ezért dinamikus nemlineáris mérleghibakiegyenlítésre, többváltozós idősorok elemzésére, kockázatelemzést támogató adat-alapú prediktív modellezésre is fókuszált.

Mik a legfontosabb eredmények?

A tervezett elemző, döntéstámogató és monitoring rendszer prediktív modelleken alapul.
A kutatás során olyan korszerű adat- és folyamatbányászati, gépi tanulási és számítási intelligencia (fuzzy, neurális genetikus) technikákat dolgoztunk ki, melyek segítségével a kockázatelemzési modellek hatékonyan identifikálhatók múltbéli események, üzemetetési tapasztalatok, illetve szakértői ismertetek információtartalmának integrálásával. A költségoptimalizálás szerves része, tervezett velejárója a folyamatfejlesztésnek és kockázatmenedzsmentnek, így a tervezett keretrendszer kockázati tényezőket kezelő optimalizációs technikákkal történő kiegészítését is elvégeztük. Fontos kiemelni, hogy ezeket az eredmények egy részét Torgyik Tamás vegyészmérnök szakos hallgatóval tudományos diákköri  hallgatóval körösen értük el.
E feladathoz kapcsolódóan a kockázatelemzésben gyakorta alkalmazott Monte-Carlo szimulációs technikák sztochasztikus és heurisztikus optimalizációs algoritmusokkal történő integrálási lehetőségeit vizsgáltam (pl. evolúciós algoritmusok és rajintelligencia). A döntéstámogató rendszer központi elemét a rendszer kockázatainak feltárására is alkalmas „mi lenne ha” típusú elemezéseket biztosító sztochasztikus folyamatmodellek alkalmazása adja. A rendszer által javasolt potenciális megoldási lehetőségeket e modellek alapján végzett számítógépes szimuláció és a vele párhuzamosan alkalmazott optimalizációs algoritmus szolgáltatja.

A holland Eindhoeven University of Technology-n pár éve indult egy olyan egyedülálló kutatócsoport, mely az ilyen összetett jellegű folyamatokból üzemeltetése során rögzített log-fájlok elemzéséből próbálja rekonstruálni és statisztikailag jellemezni hogy a folyamatok lépései miként követik egymást, az egyes „állapot-átmenetek” miként, milyen feltételek mellett, milyen valószínűséggel történnek (www.processmining.org). Jelenleg ez a folyamat-bányászat módszertan még nemzetközi szinten is csak kialakulóban van, hazánkban csak pár, intézményünkhöz kötődő dokumentált alkalmazás született, és ugyan nemzetközi vállalatok (pl. IBM) álltak e fejlesztések mögé, kockázatmenedzsment jellegű alkalmazásról, fejlesztésről még nincs dokumentált információ.

Bízom benne, hogy Ruppert Tamás hallgatónkkal és Király Andrással közösen kialakított folyamatbányász programcsomagunk széles körben alkalmazott lesz, lehetővé fogja tenni, hogy a hozzánk hasonló kutatók az eddiginél intenzívebben fejlesszék a naplófájlok elemzésére alkalmas algoritmusokat, illetve alkalmazzák e technikákat a gyakorlatban.

A kutatási és fejlesztési tevékenység célja egy olyan folyamat kontrolling rendszer kidolgozása is volt mely alkalmas a folyamatok pénzügyi és teljesítmény szempontú elemzése alapján a vezetői döntések támogatására. Első körben energiamonitoring rendszerek fejlesztésével foglalkozunk Kulcsár Tibor és Koncz Péter PhD hallgatókkal, illetve a MOL NyRt munkatársaival közösen.

Nagyon érdekes, szintén ipari motiváltságú az eseménysor elemzési kutatásunk, amit Károly Béla Richárd TDK hallgatóval végzünk, gyakori eseménysorokat tárunk fel, ezekkel a gyártórendszerek üzemeltetési biztonságát kívánjuk növelni.

A kutatás során a folyamatszimuláció és optimalizáció eszköztárát olyan irányokban kívántuk a folyamatkontrolling legkorszerűbb módszertanaihoz illeszkedő módon célirányosan továbbfejleszteni, hogy a kifejlesztett technikák és eszközök alkalmazásával a célok meghatározása, kitűzött célok elérési színvonalának meghatározása, a stratégiai és operatív tervezés támogatása, a költségek meghatározása, javaslatok megfogalmazása hatékonyabb lehessen.

A sikeres alkalmazás elengedhetetlen része, hogy megbízható adatok álljanak a döntéshozók rendelkezésére. Ennek érdekében Farsang Barbara PhD hallgatóval adategyeztetési (mérleghiba kiegyenlítési) technikákat fejlesztettünk.

A vegyipari folyamatok fejlesztése során gyakran alkalmaznak technológiai szimulátorokat. Különösen érvényes ez a szénhidrogén és petrolkémia iparban, ahol a technológia működtetését támogató Advanced Process Control (APC) és Operator Training System (OTS) rendszerek mind szimulációs mérnöki modelleken alapulnak. A szimulátor megfelelő működéséhez számos információra szükség van, mint például technológiai áramok jellemzői (mennyisége, összetétele, állapota), berendezések üzemeltetési körülményei és berendezések közötti kapcsolatok. A szimulátor pontossága, alkalmazhatósága ezeknek az információknak a pontosságán múlik. A mérések azonban minden esetben hibával terheltek. A mérési hibák minimalizálására mérleghiba-kiegyenlítés technikája alkalmazható, mely felhasználja ehhez a modellek alapját képező mérlegegyenleteket. Kimutattuk, hogy a statikus és dinamikus mérleghiba-kiegyenlítés alkalmazható folyamatszimulátorok és szoftver szenzorok fejlesztésében és alkalmazhatóságának növelésében.

A kutatási elsődlegesen működő vegyipari technológiák működési hatékonyságának javítására fókuszált, különös figyelmet fordít az on-line elemzők (pl. gázkromatográf, on-line NIR spektrométer, ill. szoftver szenzor) validálására alkalmas módszertani fejlesztésekre és a feltárt információk APC rendszerekben történő alkalmazhatóságára.

fig2

A pályázat sikeresen lezárult. Mik a további célok? 

Elsősorban a kutatás eredményeinek alkalmazhatóságát szeretnénk igazolni az irodalomban fellelhető benchmark problémákon túl és lehetőleg az olajipar és autóipar gyártási folyamata kapcsán. Elméleti vizsgálatok kapcsán egy fontos kihívással szeretnénk szembesülni. Annak köszönhetően, hogy az elemzendő adatok köre és mennyisége továbbra is exponenciális módon növekszik, egyre gyakrabban előfordul, hogy egyetlen számítógép tárhelye, memóriája nem elegendő az elemzésre használt algoritmusok alkalmazásához. E kihívások kezelésére az évezred elején kezdtek el fejlődni a ma virágkoruk élő Big Data technológiák.  Az adatbányászat, az adattárházat és a Big Data technológiák a tudományos kutatás módszertanára is jelentős hatással vannak, lehetővé téve a szenzorhálózatok, automatizált diagnosztikai eszközök, és a szimulációs modellek által nyújtott adatokból tudományos szempontból értékes információk kinyerését. Tehát a jövőben nagyobb kihívásokat keresünk. Nagyobb adathalmazokat elemzünk, összetettebb optimalizációs feladatokat oldunk meg, azaz komplexeb problémák megoldására keressük a választ.

 

Hol lehet csatlakozni e kutatásokhoz?

A döntéstámogató modellek lehető legszélesebb értelmezhetőségét és alkalmazhatóságát Döntési modellek szakkollégiumot indítottam a Jedlik Ányos szakkollégiumban.

A kutatás eredményeit az általam és Koncz Péter doktorandusz által gondozott Biztonságkritikus rendszerek és Rendszermérnöki ismeretek tantárgyak tananyagába építettem be.

Ahogy eddig is tettem, kutatási eredményeink reprodukálhatóságát biztosítandó, a publikációink kéziratait és a hozzá kapcsolódó MATLAB programokat továbbra is elérhetővé kívánjuk tenni az Interneten (www.abonyilab.com), mely oldalon kutatói blog indítását is tervezem.

A hallgatók számára folyamatosan elérhető vagyok, így szeretettel várom Őket a megújult C épületi Folyamatmérnöki Oktató- és Kutató központ irodájában.

Dr. Abonyi János