doktori (phd) ÉrtekezÉs fabulya zoltÁn · (biacs, 1998; goldberg, 1994; kiss, 2000; farkas,...
TRANSCRIPT
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
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
3
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
4
A DISSZERTÁCIÓ TÉMAKÖRÉN KÍVÜLI PUBLIKÁCIÓK......... 145
SZAKMAI ÉLETRAJZ ........................................................................... 150
5
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
6
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, azaz kevesebb energiafelhasználással termelni ugyanannyi
terméket, vagy több terméket előállítani fajlagosan 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
7
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.
8
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.
9
• 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.
10
1. IRODALMI ÁTTEKINTÉS
Kutatási témám tárgyalása több szakterület speciális ismeretét
követeli meg:
• konzervgyártás technológiája a kapcsolódó
élelmiszerbiztonsági szempontból 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
11
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.
12
• 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.
13
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).
14
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.
15
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:
118
254530 −− (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).
16
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 hőpusztulási sebessége változik a
hőmérséklettel. A z-érték a tizedre csökkenési időnek (D) egy
nagyságrenddel történő csökkenéséhez tartozó hőmérséklet növekmény °C-
17
okban (Deák, 2006). Ez az érték teszi lehetővé az eltérő hőmérsékletű és
időtartamú hőkezelések összehasonlítását (Kovács, 1997):
n
znT
T
zT
TzT
T 10D
D10
D
DD
10
D=⇒=⇒=
⋅++
+ (2)
Mivel T tetszőleges hőmérséklet lehet, ezért
z
TTnznTT r
r
−=⇒⋅+= (3)
esetben (2) alapján:
z
TT
TTz
TT
T
Tr
r
r
r
10DD10D
D −−
⋅=⇒= (4)
Jelölje t a T hőmérsékleten történő hőkezelés időtartamát, ami „m”
nagyságrenddel csökkenti az élőcsíraszámot, vagyis:
TDmt ⋅= (5)
Ekkor (4) alapján:
z
TT
z
TT
TT
rr
r10tF10DmDm
−−
⋅=⇒⋅⋅=⋅ (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
rTDmF ⋅= (7)
összefüggéssel, vagyis a D-elv alkalamazásával szokták
meghatározni a hőkezelés során megkívánt F értéket a termékfajtára
jellemző leghőtűrőbb mikroorganizmus (Clostridium Botulinum,
18
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
1i
z
TT
t10Fri
(8)
ahol:
n - intervallumok száma
Ti - az i. intervallumban a hőmérséklet
A felosztás finomságát minden határon túl finomítva kapjuk F
kiszámításának elméleti összefüggését:
∫−
=v
k
rt
t
z
T)t(T
dt10F (9)
ahol:
19
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:
∫−
=v
k
rt
t
z
T)t(T
0 dt10E,C,F (10)
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
20
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.
21
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
22
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).
23
Valós rendszer (világ)
Megfigyelt világ
Modell
Program (számítógépes modell)
Szimulált világ
Validált modell
Megismert világ
Megfelel?
Programozás
Szimuláció
Érvényesítés
igen
Szimuláció
Modellezés
Megfigyelés
Eredményértékelés
nem
Valós rendszer (világ)
Megfigyelt világ
Modell
Program (számítógépes modell)
Szimulált világ
Validált modell
Megismert világ
Megfelel?
Programozás
Szimuláció
Érvényesítés
igen
Szimuláció
Modellezés
Valós rendszer (világ)
Megfigyelt világ
Modell
Program (számítógépes modell)
Szimulált világ
Validált modell
Megismert világ
Megfelel?
Programozás
Szimuláció
Érvényesítés
igen
Szimuláció
Modellezés
Megfigyelés
Eredményértékelés
nem
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.
24
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
25
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 meg kell határozni a modellben szereplő
objektumokat, amelyeket meg kell feleltetni a valós 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.
26
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
27
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
28
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).
29
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,
30
• 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,
31
• 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
32
meghatározza, függvényszerű módon. Sztochasztikus esetben csak az
eredmények lehetséges eloszlását kaphatjuk meg (Szűcs, 1996).
1.2.4. Számítógépes modellezés, szimuláció
A számítógépek, és az informatika térnyerésével egyre
hangsúlyosabb szerepe van a számítógépes modelleknek. 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.
33
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 vezérléssel, beépített szabályok révén a
legvalószínűbb megoldások irányában kereséssel történik, 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
34
eljárásokat több módon is osztályozhatjuk egy ilyen csoportosítás látható a
4. ábrán.
Optimalizálási eljárások
Gradiens alapúmódszerek
Véletlent használómódszerek
Kimerítő keresésen alapuló módszerek
Direkt módszerek
Indirekt módszerek
Sztochasztikus hegymászás
Tabukeresés
Evolúciós algoritmusok
Szimulált hűtés
Dinamikus programozás
Evolúciós stratégiák
Genetikus algoritmus
Optimalizálási eljárások
Gradiens alapúmódszerek
Véletlent használómódszerek
Kimerítő keresésen alapuló módszerek
Direkt módszerek
Indirekt módszerek
Sztochasztikus hegymászás
Tabukeresés
Evolúciós algoritmusok
Szimulált hűtés
Dinamikus programozás
Evolúciós stratégiák
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
35
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.
36
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
37
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
38
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.,
39
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
40
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.
41
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.
42
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.
43
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 t-
próbát 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
44
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.
45
0
500
1000
1500
2000
2500
3000
3500
4000
1 25 49
Idő
Gő
z t
öm
eg
ára
m (
kg
/h)
0
5000
10000
15000
20000
25000
Víz
té
rfo
ga
tára
m (
l/h
)
vízigény 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 24-
24 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 a függőleges tengely
46
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).
0%
20%
40%
60%
80%
100%
120%
0% 20% 40% 60% 80% 100% 120%
idő (%)
erő
forr
ásig
én
y (
%)
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, valamint a fázisok kezdeti, azaz maximális
erőforrásigényét, akkor a jelleggörbe lineáris transzformációjával
47
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.
0
2000
4000
6000
8000
10000
12000
6:00 10:00 14:00 18:00 22:00 2:00 6:00
Idő
Gő
z t
öm
eg
ára
m (
kg
/h)
0
10000
20000
30000
40000
50000
60000
70000
80000
90000
100000
Víz
té
rfo
ga
tára
m (
l/h
)
Gőz kapacitás Víz kapacitás
7. ábra: Gőz- és vízkapacitás alakulása
48
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 ütemezés
megvalósítására kialakítottam egy munkafüzetet, mely tárolja:
• az erőforrásigény jelleggörbe adatait,
49
• 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,
0
2000
4000
6000
8000
10000
12000
6:00 10:00 14:00 18:00 22:00 2:00 6:00 10:00 14:00 18:00
Idő
Gő
z t
öm
eg
ára
m (
kg
/h)
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.
50
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, klikkelés egy menüponton vagy egy
parancsgombon) bekövetkezésekor hajtódjon végre valamely
programrészletünk, eljárásunk.
2.1.2.2. A program menüszerkezete
• Fájl:
o Új ütemezés,
o Megnyitás,
o Mentés,
51
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
52
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
53
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:
∑=i
)i(gG (11)
∑=i
)i(vV (12)
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
54
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:
minVGz vg →⋅λ+⋅λ= (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
55
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.
56
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 erőforrás-
felhasználás 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.
57
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.
58
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
59
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. A bizalmukat vesztő vásárlók
60
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
61
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
62
hőmérsékletű késztermékkel. Ezek a problémák viszont a labor
körülmények között meghatározott optimális termékminőségtől kisebb-
nagyobb 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.
63
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.
64
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.
65
10 000 000
10 100 000
10 200 000
10 300 000
10 400 000
10 500 000
10 600 000
10 700 000
10 800 000
300 350 400 450 500 550 600 650
lekötött gáz (m3/h)
Fiz
ete
ndő
(F
t/h
ó)
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.
66
0
500 000
1 000 000
1 500 000
2 000 000
2 500 000
3 000 000
0 5 10 15 20 25 30 35 40 45 50 55
Túllépés mértéke (m3)
Bü
nte
tés ö
sszeg
e (
Ft/
hó
)
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 gázmennyiségből kalkulálható
67
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
68
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:
dx)x(fy n −== , (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:
09,0x)x(fy 2,0 −== . (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.
69
50%
55%
60%
65%
70%
75%
80%
85%
90%
95%
0% 20% 40% 60% 80% 100% 120%
Hatá
sfo
k (
%)
Terhelés (%)
Ismert Hatásfok Számított hatásfok
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.
70
1. táblázat: Kazán hatásfokának elemzése különböző terhelések mellett
Átlagos
terhelés
Terhelés
eloszlása
Átlagos
hatásfok
Hatásfok
relatív
vesztesége
Költségnövekedés
100 millió Ft-os éves
gázdíj esetén
70%
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%-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%-30% 69,60% 0,0% 0
10%-50% 65,58% 6,1% 6 100 eFt
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.
71
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
72
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.
73
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
74
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
75
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.
76
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.
Kazán Hőkezelőberendezések
gáz gőz
Kezeletlen konzervek
Hőkezelt konzervek
Hőkezelő üzem
gőz
Épületek(fűtés, melegvíz)
Gyártóvonalak
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
77
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
78
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
79
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 (mely a légköri, „időjárási”
hőmérsékletnek tekinthető)
80
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.
81
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.
82
0
1 000
2 000
3 000
4 000
5 000
6 000
7 000
0 10 000 20 000 30 000 40 000 50 000 60 000
Gázfo
gya
szt
ás (m
3/n
ap
)
Hőkezelt termékmennyiség (kg/nap)
3 Nyári Téli
Lineáris trendvonal Lineáris (Nyári) Lineáris (Téli)
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.
83
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).
84
különben
ttt tha
t tha
0
qce
q
q(t) baa
a
2at
1
+<≤
<
+=
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.
85
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:
mkQ ⋅= , (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
86
könnyebb kezelhetőségére, hogy ez a gőzmennyiség egyenletesen
jelentkezik:
a2
a21 t
mkq
t
Qqq
⋅+=+= (18)
A hőkezelési folyamat 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:
a
a
at21
12at
a e
qqcqqec)t(q
−=⇒=+⋅= (19)
Ha viszont a hőntartási fázis gőzfelhasználását leíró függvényt nem a
korábbi
2at qec)t(q +⋅= (20)
alakban keressük, hanem a vele egyenértékű
2)tt(a qec)t(q a +⋅= − (21)
változatban, akkor a korábbihoz hasonló átalakítás a c paraméter
meghatározására egyszerűbb módot ad:
211220
2)tt(a
a qqcqqcqecqec)t(q aa −=⇒=+=+⋅=+⋅= − (22)
87
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:
88
• 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
89
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.
-10
-5
0
5
10
15
20
25
30
35
06:00 10:00 14:00 18:00 22:00 02:00 06:00
idő
q (
kg
/min
)
Hőkezelő1 Hőkezelő2 Hőkezelő3
21. ábra: Gőzfogyasztás három párhuzamosan működő berendezésben
90
-20
0
20
40
60
80
100
120
140
160
06:00 10:00 14:00 18:00 22:00 02:00 06:00
idő
q (
kg
/min
)
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.
91
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
92
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 adatbázis-
kezelő 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.
93
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.
94
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.
95
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.
96
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.
97
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.
98
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
99
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. Könnyen megfigyelhetjük a
100
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 egyes hőkezelési folyamat
101
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.
102
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
103
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
104
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.
Hőkezelés
Termék
Sterilképlet
Heti gyártásiterv
Bemenet
M1
M2
M11
M20
M21
szimadatok
szimadatok
szim
adat
ok
szim
adat
ok2
szim
adat
ok2
szimadatok1
szimadatok1
szimadatok1
Eredmény
Értékelés
Gázfogyasztás
adatgyűjtés
adat
gyű
jtés
adatgyűjtés
adattarolas
Hőkezelés
Termék
Sterilképlet
Heti gyártásiterv
Bemenet
M1
M2
M11
M20
M21
szimadatok
szimadatok
szim
adat
ok
szim
adat
ok2
szim
adat
ok2
szimadatok1
szimadatok1
szimadatok1
Eredmény
Értékelés
Gázfogyasztás
adatgyűjtés
adat
gyű
jtés
adatgyűjtés
adattarolas
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 M1-
től M21-ig jelölt munkalapokon keletkeznek (7 nap = 21 műszak). A
105
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.
106
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
107
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
108
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
109
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.
110
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.
111
2. táblázat: Műszakok kazánterhelésének kiegyenlítése
Nap Műszak Kiegyenlítés nélkül Kiegyenlítve
Kazánterhelés hatásfok Kazánterhelés hatásfok
2009.06.15 1 45% 76% 45% 76% 2009.06.15 2 37% 73% 47% 77% 2009.06.15 3 49% 78% 49% 78% 2009.06.16 1 33% 71% 53% 79% 2009.06.16 2 22% 65% 47% 77% 2009.06.16 3 41% 75% 51% 78% 2009.06.17 1 27% 68% 47% 77% 2009.06.17 2 20% 63% 60% 81% 2009.06.17 3 38% 73% 53% 79% 2009.06.18 1 82% 87% 52% 79% 2009.06.18 2 46% 77% 46% 77% 2009.06.18 3 75% 86% 55% 80% 2009.06.19 1 92% 89% 52% 79% 2009.06.19 2 46% 77% 46% 77% 2009.06.19 3 75% 86% 55% 80%
Átlagok 49% 75,8% 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:
η⋅⋅= FGE (23)
Ebből adódik, hogy a hőkezelések elvégzéséhez szükséges energia,
mekkora mennyiségű fűtőgázt igényel:
η⋅=
F
EG (24)
112
Változatlan hőigény (E) mellett a rosszabb hatásfok nagyobb
gázmennyiséget jelent. A magasabb gázigény százalékban kifejezhető:
032,1%8,75
%2,78
F
EF
E
G
G
1
2
2
1
2
1 ==η
η=
η⋅
η⋅= (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.
113
3. táblázat: Ütemezés hatása a kazánterhelésre
Nap Műszak Idő Ütemezés nélkül Ütemezve
Kazánterhelés hatásfok Kazánterhelés hatásfok
2009.06.15 1 6:00 45% 76% 38% 73% 2009.06.15 1 6:05 43% 75% 37% 73% 2009.06.15 1 6:10 42% 75% 61% 82% 2009.06.15 1 6:15 75% 85% 59% 81% 2009.06.15 1 6:20 74% 85% 58% 81% 2009.06.15 1 6:25 74% 85% 57% 80% 2009.06.15 1 6:30 73% 85% 50% 78% 2009.06.15 1 6:35 65% 83% 50% 78% 2009.06.15 1 6:40 60% 81% 49% 78%
. . .
2009.06.15 1 13:45 17% 61% 41% 75% 2009.06.15 1 13:50 16% 60% 40% 74% 2009.06.15 1 13:55 16% 60% 40% 74%
Átlagok 45% 74,9% 45% 78,4%
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:
047,1%9,74
%4,78
G
G
1
2
2
1 ==η
η= (26)
Ahol:
114
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.
115
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 élelmiszer-
biztonsági 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.
116
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 a termék minőségét a kapacitás feletti
vízfelhasználással jellemezhetjük, míg a közvetlen 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
117
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 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 ellenőrzésével, műszakok gázfelhasználásának
kiegyensúlyozására, valamint gázfelhasználási 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
118
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.
119
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.
120
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
121
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
122
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.
123
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 heat-
treatment 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
124
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 form-
technique to upload and to modify data. Production programming and
125
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.
126
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.
127
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/S0963-
9969(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)00484-
8.
Avriel, M., Diewert, W. E., Schaible, S., Zang, I. (1988): Generalized
concavity. Plenum Publishers, New York, pp. 45-53.
128
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
129
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 0260-
8774, 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
130
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.
131
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.
132
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. 53-
55.
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.
133
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
134
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. 138-
150, 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. North-
Holland, Amsterdam; Akadémiai Kiadó, Budapest, pp. 53-61.
135
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 End-
Over-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-over-
end rotation. LWT - Food Science and Technology 40(7), pp. 1240-
1245, 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.
136
Ohlsson, T. (1980): Temperature Dependence of Sensory Quality Changes
During Thermal Processing. Journal of Food Science 45(4), pp. 836-
839.
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.
137
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, W., Oelker, P. (1982): Herstellung von
Fleischkonserven und industrielle Speisenproduktion. 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 0956-7135, DOI:
10.1016/j.foodcont.2005.06.004.
138
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. 81-
94, ISSN 0956-7135, DOI: 10.1016/0956-7135(95)98911-J.
Szenes, E., Oláh, M. (szerk.) (1991): Konzervipari kézikönyv. Integra-
Projekt 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.
139
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. 15-
31, ISSN 0309-1740, DOI: 10.1016/j.meatsci.2010.04.018.
Zhu, S., Naim, F., Marcotte, M., Ramaswamy, H., Shao, Y. (2008): High-
pressure destruction kinetics of Clostridium sporogenes spores in
ground beef at elevated temperatures. International Journal of Food
Microbiology 126(1-2), pp. 86-92.
140
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_theme-
dss_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
141
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 húskonzerv-
gyártás gázfogyasztásának modellezéséhez. VII. Alkalmazott
Informatika Konferencia. Kaposvár, 2008.05.23., 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),
142
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
143
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 MNGMNT-
2006/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
144
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, Kaposvár, 2009.04.02-03., Abstract of the 2nd
International Economic Conference, Kaposvári Egyetem,
Gazdaságtudományi Kar, Kaposvár, p. 83., ISBN 978-963-9821-07-1,
Proceedings in CD: /cikkek/Fabulya_Hampel.pdf, ISBN 978-963-9821-
08-8
145
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 TL-
mérőberendezés. 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. 101-
102.
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 víz-
és gőzfogyasztás ütemezése. Automation '95 Conference with
146
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.105-
110., ISBN 963 661 374, ISBN 963 661 378 8
147
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 C-
nyelven. Tudományos Közlemények 22, SZTE SZÉF, Szeged, pp. 40-
45., 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
148
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,
149
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 agrár-
szakigazgatás Magyarországon. Jelenkori Társadalmi és Gazdasági
folyamatok 3(1), SZTE Mérnöki Kar, Szeged, pp. 79-89. ISSN: 1788-
7593
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
150
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- )