Zarządzanie ryzykiem w systemach intelligent manufacturing z zastosowaniem analizy bayesowskiej

• Autorzy: Marcin Miczka

Warianty tytułu

Risk Management in Intelligent Manufacturing Systems Using Bayesian Analysis

• Języki publikacji: PL

Abstrakty

Głównym celem artykułu jest zaprezentowanie zarysu nowoczesnej metodyki prognozowania i analizy ryzyka procesu produkcyjnego oraz cech charakterystycznych pomiarów dokonywanych podczas trwania procesu hutniczego. Metodyka oparta jest na reprezentacji systemu dynamicznego w przestrzeni stanu oraz na wnioskowaniu bayesowskim. Pozwala to przede wszystkim uchylić założenie o stałości szacowanych parametrów, prowadzić analizę dla całości rozkładu statystycznego oraz uwzględnić tzw. informację a priori, czyli pochodzącą spoza zbioru danych. Praca ma charakter przeglądowy i stanowi podstawę do dalszych badań, które dotyczą wdrożenia koncepcji intelligent manufacturing w polskich przedsiębiorstwach przemysłowych.(abstrakt oryginalny)

EN

The article presents the range of modern methods used to forecast and conduct risk analysis of the production process and the characteristics of the measurements taken during the steel production process. The methodology is based on the state space representation of a dynamic system and Bayesian inference. The methodology enables us to reject the assumption of constant estimated parameters, analyse the statistical distribution of the whole and take into account a priori information, which is to say outside the dataset. The article is a review and the basis for further studies that include implementation of the concept of intelligent manufacturing in Polish industrial enterprises.(original abstract)

Słowa kluczowe

PL

Zarządzanie ryzykiem; Metody prognozowania; Statystyka bayesowska; Model przestrzeni stanu

EN

Risk management; Forecasting methods; Bayesian statistics; State space model

• Czasopismo: Zeszyty Naukowe / Uniwersytet Ekonomiczny w Krakowie
• Rocznik: 2016
• Numer: nr 1 (949)
• Strony: 107--121

Twórcy

autor

Marcin Miczka

• Instytut Metalurgii Żelaza im. Stanisława Staszica w Gliwicach

Bibliografia

• Ahmad I., Kano M., Hasebe S., Kitada H., Murata N. [2014], Prediction of Molten Steel Temperature in Steel Making Process with Uncertainty by Integrating Gray-Box Model and Bootstrap Filter, "Journal of Chemical Engineering of Japan", vol. 47, nr 11, http://dx.doi.org/10.1252/jcej.14we067.
• Barczak A.S. [2002], Modelowanie ewolucji obiektu gospodarczego [w:] Przestrzenno-czasowe modelowanie i prognozowanie zjawisk gospodarczych, red. A. Zeliaś, Wydawnictwo Akademii Ekonomicznej w Krakowie, Kraków.
• Makroekonometryczny model gospodarki opartej na wiedzy [2009], red. W. Welfe, Wydawnictwo Uniwersytetu Łódzkiego, Łódź.
• Miczka M. [2008], Strukturalne modelowanie ekonometryczne ewolucji obiektu gospodarczego, "Wiadomości Statystyczne", nr 7.
• Miczka M. [2013], Schumpeterowskie modele wzrostu gospodarczego [w:] Zastosowanie metod ilościowych i jakościowych w modelowaniu i prognozowaniu zjawisk społeczno-gospodarczych, red. B. Pawełek, Wydawnictwo Uniwersytetu Ekonomicznego w Krakowie, Kraków.
• Miczka M. [2014], Analiza funkcji produkcji i wydajności pracy dla wybranych działów polskiego przemysłu - weryfikacja empiryczna z zastosowaniem metodyki badań panelowych [w:] Modelowanie i prognozowanie zjawisk społeczno-gospodarczych. Teoria i praktyka, red. B. Pawełek, Wydawnictwo Uniwersytetu Ekonomicznego w Krakowie, Kraków.
• Osiewalski J. [2001], Ekonometria bayesowska w zastosowaniach, Wydawnictwo Akademii Ekonomicznej w Krakowie, Kraków.
• Romer P.M. [1994], The Origins of Endogenous Growth, "Journal of Economic Perspectives", vol. 8, nr 1, http://dx.doi.org/10.1257/jep.8.1.3.
• Strategic Research Agenda: A Vision for the Future of the Steel Sector [2013], European Steel Technology Platform, 2nd ed., May, ftp://ftp.cordis.europa.eu/pub/estep/docs/sra-052013-en.pdf.

Identyfikatory

DOI

10.15678/ZNUEK.2016.0949.0107