ETAPELE SIMULĂRII SISTEMELOR DE PRODUCŢIE (1)

2.1 ANALIZA ŞI SINTEZA SISTEMULUI

Analiza sistemului constă în descompunerea lui în părţi

componente Ci (i = 1,2...n), în vederea înţelegerii naturii lui şi a
trăsăturilor esenţiale.

De exemplu, la nivelul unei secţii, componentele pot fi locurile de

muncă. În acest caz, numărul n al componentelor este mare, dar posibil de luat
în calcul. La nivelul întreprinderii, componentele nu mai pot fi locurile de
muncă, deoarece numărul n este prea mare. Componentele întreprinderii vor fi
secţiile, obţinute prin agregarea locurilor de muncă. Prin agregare se reduce
volumul informaţiilor care se culeg şi se prelucrează, dar se pierde din precizia
rezultatelor obţinute.
Dacă se consideră mai puţine componente, sistemul va fi descris cu
ajutorul unui număr mai mic de variabile şi parametrii de stare. Deşi predicţiile
rezultate privitoare la evoluţia sistemului vor fi lipsite de şansa de a se confirma
pentru toate cazurile individuale, acest mod de abordare este preferat în practică,
în primul rând datorită expeditivităţii obţinerii rezultatelor.
În practica managerială se folosesc diverse metode de agregare, care, în
majoritatea cazurilor, oferă o serie de avantaje: facilitarea adoptării deciziei,
adoptarea unor decizii operative în cazul apariţiei unor perturbaţii, precizie mare
la nivel global datorită compensărilor reciproce etc.
Trebuie însă ţinută seama că agregarea are şi o serie de dezavantaje:
erori mari la nivel ierarhic inferior, ignorarea unor relaţii între componentele
agregate etc.
Utilizarea calculatoarelor electronice în tehnicile de simulare permite să
se ajungă la un grad mare de dezagregare, cu următoarele avantaje:
corectitudine relativ mare la adoptarea şi urmărirea deciziilor, precizie mare în
transmiterea şi urmărirea realizării obiectivelor etc.
Din cele expuse rezultă că este necesar să se găsească soluţia de
compromis între agregare şi dezagregare, respectiv este necesar să se găsească
un grad raţional de agregare.
De exemplu, gradul de agregare a informaţiei gSa al unui sistem de
producţie se defineşte, în general, ca un raport între cantitatea de informaţie CI*
în ipoteza maximei agregări posibile (când cantitatea de informaţie este minimă)
şi cantitatea de informaţie CI a soluţiei S adoptată, adică:
 CI *
g =
S
a (2.1)
CI

Dacă se adoptă soluţia S* a maximei agregări posibile (CI=CI*), atunci:

S* CI *
ga = =1 (2.2)
CI

Dacă se adoptă o soluţie Sd a maximei dezagregări posibile (CI→ ∞),

atunci:

g aS d → 0 (2.3)

În concluzie, gradul de agregare va fi:

0≤ g aS ≤ 1 (2.4)

Gradul de dezagregare gSd se defineşte cu ajutorul relaţiei:

CI *
g dS = 1 − g aS = 1 − (2.5)
CI

Se observă că:

0≤ g dS ≤ 1 (2.6)

Agregarea unui sistem se realizează atât prin agregarea componentelor,

cât şi a relaţiilor dintre componente.
În cazul simulării care utilizează un model matematic, aceasta constă în:
agregarea variabilelor şi a parametrilor, agregarea restricţiilor, agregarea
resurselor, agregarea consumurilor specifice, agregarea coeficienţilor funcţiei
obiectiv şi eventual agregarea criteriilor economice.
Pentru agregarea variabilelor se pot folosi diferiţi operatori (funcţii). În
majoritatea cazurilor, operatorii de agregare sunt simpli, de natură aditivă (medii
aritmetice simple, medii aritmetice ponderate etc.). În acest sens, agregarea se
poate concepe în două moduri:
a) Se consideră o clasă superioară C care conţine două submulţimi astfel
încât chiar dacă adunarea elementelor din submulţimi distincte nu are sens,
totuşi să aibă sens adunarea acestora în cadrul clasei superioare C. De exemplu,
pentru a exprima producţia fizică a unei unităţi economice constructoare de
maşini care produce strunguri şi maşini de frezat, nu are sens adunarea
producţiei fizice a celor două tipuri de maşini. Dacă se consideră o clasă
superioară a maşinilor unelte, adunarea devine posibilă.
b) Folosirea unor unităţi convenţionale, caz în care se defineşte o unitate
etalon (de exemplu, în cazul producţiei variate de tractoare se foloseşte CP).
Agregarea se face în acest caz după un criteriu, care poate fi de natură valorică
sau fizică (greutate, putere etc.).
În alte cazuri se folosesc operatori de tip multiplicativ, cum ar fi media
geometrică. Se poate exemplifica acest operator în cadrul ritmului mediu de
creştere a producţiei unei unităţi economice, ca medie geometrică a ritmurilor
anuale de creştere.

Sinteza sistemului este o etapă a proiectării, care permite

compunerea, combinarea elementelor necesare realizării
sistemului complet, urmărindu-se totodată dacă acesta atinge
nivelul de performanţe propus.

2.2 CONCEPEREA ŞI PROIECTAREA MODELULUI

În cadrul acestei etape, se impune atingerea unor obiective, şi anume:
¾ Primul obiectiv îl constituie formularea problemei: trebuie să se
precizeze întrebările la care să se răspundă, ipotezele care trebuie testate şi
efectele care trebuie estimate.
¾ Al doilea obiectiv îl constituie colectarea şi prelucrarea primară a
datelor. Pentru aceasta trebuie să se răspundă la întrebările: care sunt datele
necesare, de unde se obţin acestea şi cum sunt ele introduse în model.
Dintre sursele de date se amintesc: documente şi rapoarte, generatoare de
date, experimentări etc. După obţinerea lor, datele primare pot fi organizate în
fişiere, tabele, rapoarte etc. şi sunt prelucrate în vederea eliminării unora dintre
ele care, în general, nu caracterizează fenomenul din care provin.
¾ Al treilea obiectiv îl constituie stabilirea modelului potenţial. A
construi modelul înseamnă a alege variabilele, parametrii şi relaţiile funcţionale
corespunzătoare şi a preciza algoritmul care conduce la determinarea
elementelor de ieşire în funcţie de elementele de intrare.
Este greu de stabilit reguli standard pentru construirea celui mai bun
model al unei probleme date. Alegerea poate fi făcută însă cu ajutorul unor
jaloane, dintre care amintim:
„ Numărul de variabile care trebuie să fie incluse în model: un model cu
un număr prea mare de variabile va fi greu de manevrat, iar altul cu un număr
prea mic de variabile poate să piardă din vedere anumite aspecte ale problemei.
 „ Eficienţa de calcul a modelului: timpul de calcul necesar pentru
atingerea unui anumit obiectiv trebuie să fie rezonabil de mic.
„ Timpul necesar programării: un model complex, cu multe variabile,
necesită un personal cu înaltă calificare şi un consum mare de timp. Limbajele
specializate reduc timpul de programare, însă reduc şi flexibilitatea modelului.

2.3 ESTIMAREA VARIABILELOR ŞI PARAMETRILOR

În procesul de elaborare a modelelor de simulare, componentelor
sistemului li se asociază o serie de variabile şi parametri, unele dintre acestea
fiind cunoscute (controlabile), numite şi variabile / parametri de intrare, altele
fiind necunoscute (necontrolabile), numite variabile / parametri de ieşire.
Aceste variabile sau parametri sunt de fapt date, care în funcţie de natura lor, pot
fi deterministe sau aleatoare.

2.3.1 Culegerea datelor pentru simulare

2.3.1.1 Surse de date
Simularea unui sistem existent, real, presupune colectarea unor date,
unor informaţii asupra evoluţiei trecute ale acestuia.
Pentru aceasta, trebuie avute în vedere următoarele aspecte:
¾ imposibilitatea cunoaşterii în totalitate a sistemului, sub toate formele
de manifestare, în timp şi spaţiu (datele culese despre un sistem sunt deci o
selecţie din cele posibile);
¾ existenţa unei variabilităţi naturale a proceselor şi fenomenelor.

În simularea unui sistem de producţie, sursele de date pot fi:

„ istoria sistemului studiat;
„ măsurări asupra sistemului;
„ sisteme analoge;
„ generatoare de date.

Din primele trei surse prezentate mai sus se obţin date reale, pe când din
cea de a patra sursă prezentată se obţin date sintetice.
Când datele se obţin în urma unor măsurări asupra sistemului, denumite
în limbaj statistico-matematic selecţii, trebuie ulterior aplicată statistica
matematică pentru analiză şi interpretare.
Din considerentele expuse mai sus se degajă idea că datele culese despre
un sistem pot fi diferite ca natură a lor, una din clasificările posibile fiind
prezentată în continuare:
c Date cinematice: sunt acele date care dau coordonate de referinţă în
timp şi spaţiu. De exemplu, datele referitoare la mişcările roboţilor dintr-o celulă
flexibilă sunt date cinematice.
 d Date dinamice: sunt date care variază în timp dar nu şi în spaţiu. De
exemplu, datele referitoare la temperatura zilnică, la nivelul stocului într-un
depozit de materiale etc. sunt date dinamice.
e Date statice: spre deosebire de cele dinamice, acestea nu se modifică
în timp. De exemplu, datele referitoare la greutatea unui motor electric, la
suprafaţa ocupată de un utilaj de producţie etc. sunt date statice.
Metodele de culegere a datelor depind de natura lor precum şi de
dispozitivele de stocare a datelor. Astfel, datele cinematice pot fi culese ON-
LINE foarte rapid, datele dinamice sunt culese periodic iar datele statice se
culeg, în general, o singură dată.

2.3.1.2 Caracteristicile datelor empirice

Datele provenite din sursele prezentate mai sus constituie, pentru tehnica
de simulare, variabile care, după cum se ştie, pot fi deterministe sau aleatoare.

Din punct de vedere practic, se consideră variabile

deterministe acele mărimi care au proprietatea că, fiind dată o
eroare admisibilă ε a , o probabilitate β , foarte apropiată de 1
(de ex. β = 0,98), precum şi o valoare medie X , satisfac relaţia:

p( x − ε a x ≤ xm ≤ x + ε a x) ≥ β (2.8)

unde x este un rezultat al unei măsurători a variabilei analizate.

În caz contrar, variabilele sunt aleatoare.

Dacă relaţia (2.8) este satisfăcută, atunci variabila x este considerată

deterministă şi va fi declarată în programul de simulare numai prin valoarea
medie X .
Dacă relaţia (2.8) nu este satisfăcută, este necesar să se stabilească tipul
repartiţiei R a variabilei aleatoare x .
Pentru aceasta, este necesar să se mărească volumul selecţiei astfel încât
să se poată stabili tipul repartiţiei R în limitele preciziei necesare.
Se emite apoi o ipoteză asupra tipului repartiţiei (pentru variabile
discrete, repartiţia binomială, Pascal, hipergeometrică, iar pentru variabilele
continue, repartiţia normală, lognormală, exponenţială, gamma, beta etc.).
Se verifică în continuare ipoteza cu ajutorul testelor de semnificaţie:
Kolmogorov, χ2, Pearson, Henry etc. Dacă testul de semnificaţie nu este
satisfăcut, se încearcă un alt tip de repartiţie.

2.3.1.3 Analiza corectitudinii datelor

În simularea oricărui sistem un rol foarte important îl are corectitudinea
datelor sau, cu alte cuvinte, “curăţirea” datelor de acelea care produc perturbaţii
în procesul normal al simulării.
Datele culese despre evoluţia unui sistem pot fi afectate de erori având
următoarele cauze: metoda de măsurare, mijlocul de măsurare, mediu, operator.

Erorile care apar pot fi:

c Erori aberante (grosolane)
d Erori sistematice
e Erori accidentale sau aleatoare

c Erorile aberante (grosolane) provin din neatenţia operatorului sau din

defecţiunile grave ale aparatelor de înregistrare. Eroarea ori valoarea aberantă
diferă semnificativ de restul valorilor { xi } i ≤ n culese. Ele pot să nu mai apară la
o reluare a procedurii de culegere. De asemenea, pot fi eliminate prin aplicarea
unor teste statistice corespunzătoare: Romanovski, Grubs, Irvin etc.
De exemplu, în cazul aplicării testului Irwin (denumit şi testul λ), şirul
de date {xi} se ordonează crescător sau descrescător. Valorile susceptibile a fi
aberante sunt cele de la extremităţile şirului astfel obţinut. Pentru verificarea
valorii suspecte xn se calculează expresia:

xn − xn −1
λ= (2.9)
S

în care S este abaterea medie pătratică a şirului celor n date.

Comparând valoarea lui λ cu valoarea λcr din tabelele lucrărilor de
specialitate, valoarea xn se elimină din şirul de date dacă:

λ > λcr (2.10)

Dacă valoarea xn a fost eliminată, se recalculează abaterea medie

pătratică S pentru cele n-1 valori rămase şi testul se aplică din nou, până când nu
se mai elimină date ale şirului.
d Erori sistematice. În cursul operaţiei de culegere a datelor este posibil
ca anumiţi factori să aibă o acţiune constantă asupra rezultatelor xi care
afectează toate datele. Acest tip de erori sunt greu de depistat chiar dacă se
repetă procesul de culegere. Asemenea factori pot fi: reglarea incorectă a
aparatului de măsurat, variaţia condiţiilor exterioare de mediu (de exemplu, un
aparat se poate utiliza la o temperatură diferită de cea la care a fost etalonat sau
reglat).
Datele afectate de astfel de erori pot fi depistate prin măsurarea aceleiaşi
mărimi cu metode diferite şi compararea rezultatelor obţinute.
 e Erori accidentale sau aleatoare. Aceste erori sunt acelea care au
rămas după eliminarea celor grosolane şi/sau sistematice. Apariţia lor se
datorează unui complex de factori a căror acţiune individuală nu poate fi sesizată
nici în timpul culegerii datelor, nici după aceea. Având caracter aleator, aceste
erori se studiază cu ajutorul teoriei probabilităţilor, care stabileşte în ce măsură
influenţează ele estimaţiile adevăratelor valori ale mărimilor măsurate.