VIII Skup privrednika i naunika

MODELOVANJE TEHNOLOKIH PROCESA U CILJU

USPENOG OPERATIVNOG UPRAVLJANJA

TECHNOLOGICAL PROCESS MODELLING AIMING

TO IMPROVE OPERATIONS MANAGEMENT
Ivan Mihajlovi1, Nada trbac1, Aleksandra Ivanovi2
1
Univerzitet u Beogradu, Tehniki fakultet u Boru, Odsek za inenjerski menadment
2
Institut za rudarstvo i metalurgiju, Bor

Apstrakt: U ovom radu je prikazana procedura modelovanja jednog realnog

tehnolokog sistema. Prikazan je proces ortogonalnog faktorskog dizajna eksperimenata
u cilju dobijanja dovoljne baze podataka kojom se moe definisati model procesa
primenom metoda statistike analize. Cilj definisanja ovakvog modela je dobijanje
optimalnog stanja sistema kako bi se njime lake operativno upravljalo. Kao kljune
veliine razmatranog procesa uzeti su kako tehnoloki i ekonomski, tako i ekoloki
parametri.
Kljune rei: Modelovanje procesa, statistika analiza, dizajn eksperimenta

Abstract: This paper presents the modeling procedure of one real technological system.
The process of orthogonal factorial design of the experiments, aiming to obtain
sufficient data base for statistical modeling, was described. The purpose of such a model
is obtaining optimal states of the system that enable efficient operations management.
Besides technological and economical, ecological parameters of the process were
considered as crucial input variables.
Key words: Process modeling,statistical analysis, experimental designr.

1. UVOD

Cilj svakog istraivanja, odnosno naune spoznaje stvarnosti, nosi u osnovi elju da se
utvrde zakonitosti i injenice koje karakteriu razmatrani objekat, proces ili pojavu.
Potpuno je jasno da prvu etapu u takvim naporima ine rezultati posmatranja i merenja,
koji predstavljaju polaznu taku ka odreivanju modela koji u osnovi mora da
kondenzovano iskae informaciju o objektu sadranu u rezultatima posmatranja
(opservacija). Ovo se objanjava injenicom da svaki posebni rezultat posmatranja istoga
sistema ima manje vie slian karakter (ali ne i identian), tako da se projektovanje
verodostojnog modela realnog objekta moe ostvariti viestrukim i veoma esto
uzastopnim posmatranjima.

Dobijanje pouzdanog modela tehnolokog procesa od sutinskog je znaaja jer se time

mnogo lake dolazi do eljenih parametara procesa znaajnih za operativno upravljanje.
Kompleksnost operativnog upravljanja savremenim tehnolokim procesima, u 21 veku,
znaajno dobija na sloenosti. Razlog za to lei u injenici da se savremeni tehnoloki

75
Operacioni menadment u funkciji odrivog ekonomskog rasta i razvoja Srbije 2011-2020.

procesi zasnivaju na optimumu kako tehniko-tehnolokih i ekonomskih, tako i ekolokih

parametara samog procesa. Uspeno operativno upravljanje bilo kojim procesom u
savremenom menadmentu, podrazumeva prethodno definisanje modela procesa sa
uzetim u obzir svim tehnikim, ekonomskim i ekolokim parametrima [1]. Cilj
modelovanja sistema (procesa) svodi na:
Upotrebu modela umesto realnog sistema radi odreenog saznanja;
Izbegavanje opasnosti eksperimenta nad realnim sistemima;
Dobijanje rezultata ija analiza treba da obezbedi efikasnije operativno
upravljanje realnim sistemom.
Uteda usled optimizacije modela a ne relanog sistema.

2. KLASE MODELA

Bez obzira na intenzivan razvoj metoda za projektovanje modela u razliitim oblastima

nauke i tehnike a posebno za potrebe operativnog upravljanja, moe se rei da jo uvek
ne postoji njihova jedinstvena klasifikacija. U tom pogledu, modeli se u savremenom
razmatranju po optoj klasifikaciji svrstavaju u dve kategorije: klasu simbolikih i klasu
realnih (fizikih, materijalnih) modela.

Simboliki modeli opisuju objekat, proces ili pojavu na nakom od jezika (simbolima)
karakteristinim za prirodu objekta. Da bi pojam simbolikog jezika bio jasniji treba poi
od injenice da je svaka nauna disciplina sa svojim istorijskim razvojem razvijala i
sopstveni jezik znakova i simbola koji je karakteriu. Prvi jezik za opisivanje bilo koje
naune discipline je naravno bio govorni jezik, potom se javlja matematiki jezik izraen
prvenstveno simbolikim oznakama, relacijama i logikim zavisnostima, potom svaka
disciplina nauke i tehnike razvija sopstveni jezik simbola. Ipak, intenzivnim razvojem
raunarske tehnike, mogunosti modeliranja najrazliitijih pojava znatno rastu. To
dovodi i do izvesne standardizacije simblikih modela i njihovoj irokoj primenjivosti
koja vodi do visoke optosti primene raunarske simulacije i modeliranja. To dovodi do
toga da se kao osnovni simboliki prikaz ponovo javlja matematiki jezik, kojem se
prilagoavaju zasebni simboli bilo koje naune discipline [1].

Relani modeli (materijalni ili fiziki modeli) ine drugu klasu modela. Primeri ovih
modela su razliita laboratorijska postrojenja napravljena na bazi teorije slinosti,
makete procesa, makete objekata i proizvodnih postrojenja, itd. Ranije se razvoj bilo
kojeg poslovnog ili tehnolokog procesa nije mogao zamisliti bez upotrebe ovakvih
modela. U savremenoj inenjerskoj praksi njihova primena je sve manja i manja. Naime,
primena realnih modela je sve vie potisnuta savremenim simulacionim tehnikama
zasnovanim na CAD raunarskim sistemima. Pri tome, simulacija ne mora obavezno da
sadri i simboliki model objekta ve moe samo biti raunarska imitacija klasinog
fizikog modela procesa [1].

76
 VIII Skup privrednika i naunika

3. NAINI MODELOVANJA SISTEMA

Svesni injenice da matematiki model treba to bolje da odraava realni proces a i

saznanje do kojih granica see savremeni matematiki aparat, postavlja se pitanje u kojoj
meri treba idealizovati realni proces tako da ne budu zapostavljene njegove primarne
osobine a da sa druge strane matematiki model ne bude suvie kompleksan u smislu
dalje matematike analize.

Prvi nain (M1) se zasniva na pretpostavci da je matematiki model objekta predstavljen

u vidu sistema diferencijalnih jednaina. Kod predstavljanja modela sistemom
diferencijalnih jednaina (M1) struktura modela proizilazi direktno na bazi poznatih
teorijskih saznanja i naunih zakonitosti koje vae za dati sistem. Samim time je
neophodno poznavati strukturu samoga sistema. Reenja tog sistema jednaina se mogu
dobiti njihovom simulacijom na raunaru, uvoenjem standardnih ulaznih signala. Potom
se sada realni sistem (objekat upravljanja) pobuuje istim ulaznim veliinama i meri se
izlaz sistema (odziv). Poreenjem odziva sistema diferencijalnih jednaina koje
predstavljaju model objekta i stvarnog odziva objekta, donose se zakljuci o validnosti
formiranog modela. Medjutim, kako je poznato, u prirodi ne postoje linearni sistemi.
Uspenost modelovanja ovim prostupkom se zasniva na linearizaciji diferencijalnih
jednaina u oklini nekog od ravnotenih stanja. Ovo dovodi do potekoa kod
modelovanja kompleksnijih sistema koji mogu imati vie od jednog ravnotenog stanja
[2-4]. Dinaminost realnih sistema dodatno oteava ovaj vid modelovanja.

U drugom prilazu (M2), polazei od eksperimentalno snimljenih funkcionalnih

zavisnosti ponaanja realnog objekta u nestacionarnom reimu mogue je korienjem
razliitih vidova identifikacije odrediti matematiki model objekta. U ovom sluaju nije
neophodno poznavati strukuturu sistema (veze izmeu elemenata, njihov broj i vrstu)
vea samo za polazne ulazne veliine vriti merenje veliina na izlazu (odziva sistema) i
tako formirati bazu podtaka za razvoj modela sistema. Iz tog razloga se kod M2
uglavnom dobija model tipa Crne kutije [1, 5, 6]. Ovaj pristup modelovanju relnih
procesa sve vie nalazi svoju primenu u operativnom menadmentu, iz praktinih razloga
i jednostavne primenjivosti.

3.1. Modelovanje tehnolokih procesa

Imajui u vidu kompleksnost savremenih tehnolokih procesa, u najveem broju

sluajeva je suvie sloena procedura modelovanja primenom metodologije M1. U te
svrhe se u savremenoj praksi operativnog upravljanje tehnolokim procesima, sve ee
koristi metodologija M2 za dobijanje polaznog modela. Kod ovog naina modelovanja,
mogue je primeniti analitike i statistike metode modelovanja. Kod analitikih metoda
se koriste ve postojee jednaine modela i ispituje njihova primenjivost, dok se kod
statistikog modelovanja primenjuju linearne (tip MLRA) i nelinearne (tip ANN)
statistike metode [1].

Savremeni operativni menadment se za definisanje modela procesa sve vie zasniva na

primeni statistikih metoda modelovanja kompleksnih tehnolokih procesa.

77
Operacioni menadment u funkciji odrivog ekonomskog rasta i razvoja Srbije 2011-2020.

4. DIZAJN EKSPERIMENTA

Kako bi se dobila dovoljna baza podataka za dobijanje adekvatnog modela procesa, po

metodologiji M2, neophodno je paljivo izvriti selekciju uticajnih parametara pocesa a
potom meriti odziv sistema uz kontrolu opsega ulaznih veliina. U te svrhe sve ee se
koriste metode ortogonalnog (faktorskog) dizajna eksperimenata.

Kao primer jednog tehnolokog procesa kod kojeg je cilj bio izvriti optimizaciju
tehnolokih i ekolokih parametara, uzet je proces izdvajanja bakra iz flotacijske jalovine
u Boru. Identifikovano je da ovaj proces ima 8 najvanijih ulaznih veliina koje treba
kontrolisati. Broj potrebnih eksperimenata kako bi se dobio neophodan broj odziva
sistema za definisanje modela i uspeno operativno upravljanje procesom je u ovom
sluaju 2n = 28 = 256. Ipak nije neophodno uraditi svih 256 eksperimenata, ve samo
odreeni broj dok se ne dobije adekvatna vrednost zakrivljenosti modela. Zakrivljenost
modela se rauna preko:

LOFcurv =

mO F y1 y0 2 (1)
mo F

Gde je mo broj centralnih replikanata (ponovljeni eksperimenti sa srednjom vrednou);

F broj sluajno odabranih eksperimenata od ukupnog broja; y1 - srednja vrednost
odziva svih uraenih eksperimenata; y0 - srednja vrednost odziva svih centralnih
replikanata.

U razmatranom sluaju za 8 ulaznih parametara SPSS software [7] je definisao plan koji
sadri 33 eksperimenta, ukljuujui 6 centralnih replikanata (koji procenjuju isto
eksperimentalnu greku). Za ovaj broj eksperimenata, da bi se uzela u obzir mogunost
da neki od usvojenih interakcionih efekata nisu od znaaja, uzima se half replicant celog
dizajna (33-6)/2 = 27/2 to je priblino 14 eksperimenata + 6 replikanata koji se sluano
odaberu sa liste koju pravi SPSS.

Nakon izvrenih ovako definisanih 20 eksperimenata, sa dobijenim vrednostima y

(izlazne veliine) izraunata je LOF. Dobijena vrednost je 13.34. Vrednost je LOF
dovoljno niska, te je primenjen model prvog reda, oblika:
8 8

b
8
y = bo +
bi xi + ij
xi x j (2)
i 1 i 1 j 1
Gde je y stepen izdvajanja bakra a koeficijenti x1-x8, su karakteristine ulazne veliine
procesa.

Za tako dobijen model prvog reda, na skupu definisanih ulaznih i izraunatih izlaznih
veliina je uraen ANOVA test i zadrani su samo oni koeficijenti modela koji imaju
statistiku znaajnost (p<0.01).

78
 VIII Skup privrednika i naunika

Za testiranje statistike znaajnosti koeficijenata jednaine modela (1) mogue je

primeniti sledee metode: enter, stepwise, remove, backward i forward. U konkretnom
sluaju, najbolje rezultate je dala backward metoda, po kojoj je dobijen matematiki
model procesa dat u tabeli 1.

Tabela 1. Model procesa izdvajanja bakra iz flotacijeske jalovine

Model B unstand St. eror Beta t Sig.

standardized
constant -60.268 18.319 -3.29 0.004
X1 1.649 0.4 3.2 4.119 0.001
X5 -1.877 0.456 -2.226 -4.114 0.001
X6 1.561 0.304 1.409 5.14 0.000
X1X2 -0.003 0.001 -1.509 -3.097 0.007
X1X5 -0.009 0.004 -1.125 -2.394 0.028
X2X4 -0.442 0.089 -1.772 -4.954 0.000
X2X5 0.008 0.002 2.718 5.457 0.000
X2X8 0.102 0.052 0.642 1.972 0.065
X3X4 11.068 2.209 2.075 5.01 0.000
X3X6 -0.236 0.062 -3.123 -4.264 0.001
X3X7 0.009 0.003 1.888 3.000 0.008
X3X8 -2.956 1.162 -0.928 -2.544 0.021
X5X7 0.001 0.000 1.105 3.255 0.005
X5X8 0.931 0.229 1.714 4.067 0.001

Polazna zavisnost predvianja modela i eksperimentalno dobijenih vrednosti je data na

slici 1.

Slika 1. korelacija izmeu eksperimentalno odreenih i polaznim modelom predvienih

izlaza eksperimenta

79
Operacioni menadment u funkciji odrivog ekonomskog rasta i razvoja Srbije 2011-2020.

Obzirom da je stepen korelacije nizak (R2 = 0.393), izvreno je dalje prilagoavanje

modela primenom MLRA - nelinearne regresije jednaine modela. Konano dobijena
jednaina modela je:

Y=-30.513 +0.401 * X1-0.743 * X5 + 0.819* X6-0.001 * X1X2-0.002 * X1X5-0.219 *

X2X4 + 0.004 * X2X5 + 0.075 * X2X8 + 5.215 * X3X4-0.108 * X3X6 + 0.002 *
X3X7-0.793 * X3X8 + 0.000 * X5X7 + 0.314 * X5X8 (3)

Stepen koralacije konanog modela je dat na slici 2.

Slika 2. korelacija izmeu eksperimentalno odreenih i konanim modelom

predvienih izlaza eksperimenta

Sa ovako dobijenom jednainom modela koji dovoljno dobro simulira realno ponaanje
razmatranog sistema (R2 = 0.634), moue je traiti optimalne uslove za operativno
upravljanje procesom. U te svrhe je najpogodnije koristiti MatLab software [8].
Odreivanje, npr. maksimalnog izdvajanja bakra pri promeni ulaznih parametara procesa
X1 i X2, je dat na slici 3.

80
 VIII Skup privrednika i naunika

Slika 3. Odreivanje optimuma razmatranog procesa na osnovu definisanog

matematikog modela

5. ZAKLJUAK

U ovom radu je prikazan primer razvoja modela relanog tehnolokog sistema u cilju
optimizacije procesa operativnog upravljanaja. Primarni cilj modelovanja bio je
dobijanje primenjivog modela za definisanje optimalnih uslova tehniko-tehnolokog,
ekonomski isplativog i ekoloki prihvatljivog voenja procesa izdvajanja bakra iz
flotacijeske jalovine.

Napomena: Istraivanja predstavljena u ovom radu finansirana su od strane Ministarstva

prosvete i nauke Republike Srbije, preko projekta TR 34023.

LITERATURA

[1] Mihajlovi, I., Nikoli, . and Jovanovi, A., Teorija sistema, Tehniki fakultet u
Boru, Bor, 2009.
[2] Weir, G. Differential Equations A Modeling Approach, Addison-Wesley,
Hardcover, 1991.
[3] Brown, C. Differential Equations - A Modeling Approach, Sage Publications,
2007.
[4] orevi, P., Mihajlovi, I. and ivkovi, ., Comparison of linear and nonlinear
statistics methods applied in industrial process modeling procedure, Serbian
Journal of Management 5 (2) (2010) 189 198.
[5] Taylor, C.F., Paton, N.W., Garwood, K.L., A systematic approach to modeling,
capturing, and disseminating proteomics experimental data, Nature Biotechnology
21(2003) 247 - 254.

81
Operacioni menadment u funkciji odrivog ekonomskog rasta i razvoja Srbije 2011-2020.

[6] Giraldo-Zuniga, A.D., Arevalo-Pinedo, A., Rodrigues, R.M., Lima, C.S., Feitosa,
A.C., Kinetic drying experimental data and mathematical model for jackfruit slices,
Cienc. Technol. Aliment., 5(2) (2006) 89-92.
[7] SPSS inc. PASW Statistics 18, Predictive Analysis Software Portfolio,
www.spss.com
[8] http://www.mathworks.com/products/matlab/index.html

82