Como determinar se o conceito de Indústria 4.0 é o dever de uma empresa para com uma tendência da moda ou uma continuação lógica das ideias de desenvolvimento de negócios?
O indicador é a contabilização do clima na organização empresarial. Com o tempo, tudo é simples: são muitos sensores, estações de observação e, o que não é engraçado, análises preditivas em forma de previsão para diferentes horizontes de tempo. Além disso, existem dados históricos a partir dos quais é possível distinguir a correlação dos indicadores produtivos e comerciais da atuação da empresa com o clima.
Cerca de 60-70% do negócio depende claramente do clima. Se você contar as licenças médicas para funcionários e creches, o percentual será ainda maior.
Além da dependência do clima das empresas, há também uma dependência do clima no consumo de produtos empresariais.
Para o carvão, são desvios de calor e frio. Para produtores de fertilizantes, seca ou chuva. Para o setor agrícola e fazendas, cada tipo de evento climático requer uma resposta apropriada.
Se as empresas industriais querem tentar na prática atingir a Indústria 4.0 com um investimento mínimo, então a introdução do fator de dependência do clima é a melhor opção. Apostar na dependência do clima no atual nível de eficiência não é a melhor opção. São muitas outras áreas que garantem a presença de ganhos de eficiência significativamente maiores.
Para o complexo agroindustrial e as fazendas, ao contrário, a dependência do clima é um fator formador do sistema. Parece que à medida que nos aproximamos do limite de eficácia disponível para os métodos convencionais de gestão organizacional, é necessário experimentar intensamente os métodos de gestão digital.
1. Inteligência artificial na prática
Acima, tivemos turbulência. Ainda não há equações que descrevam turbulência. Uma previsão do tempo bastante confiável é fornecida apenas para 3 dias, o que é uma consequência da velocidade lenta e da inércia dos fluxos de ar.
As estações meteorológicas estão localizadas suficientemente longe umas das outras. Nos Estados Unidos, esse problema foi parcialmente resolvido com a conexão de mais de 40.000 estações meteorológicas privadas à rede geral.
A turbulência se manifesta na prática pelo fato de que dependendo da configuração do terreno e do movimento dos fluxos de ar, os valores dos indicadores podem diferir a uma distância de 100-200 metros.
Para estações meteorológicas no terreno, existe uma solução para aumentar a precisão da previsão com base no aprendizado de máquina (inteligência artificial). Com base nas estatísticas coletadas neste ponto, são feitas correções na previsão oficial atual, que leva em consideração a configuração da paisagem neste ponto.
2. Desde a natureza - vá para o calendário lunar
Abaixo estão os dados da estação meteorológica de Maloe Sareevo. A maioria das estações estão localizadas longe umas das outras - em círculos que divergem de Moscou. A única opção, quando as estações estão localizadas perto o suficiente e correspondem aos vértices de um triângulo com bordas de 17-20 km, é Maloe Sareyevo, Nemchinovka e o aeródromo de Vnukovo. Nesse caso, você pode, de alguma forma, verificar os resultados.
Maloe Sareevo: dados de temperatura (fragmento de dados de 2005 a 2017, as linhas diurnas são azuis, as linhas noturnas são marrons):
Todas as medições, em primeiro lugar, foram divididas em períodos correspondentes ao mês lunar e meios-períodos de crescimento e diminuição da lua. Em segundo lugar, dentro das medições de um dia, as medições foram agrupadas em noturnas e diurnas de acordo com a hora do nascer e pôr do sol, e também renormalizadas para um intervalo de unidade.
A renormalização para um intervalo de unidade é necessária devido ao fato de que os meios-períodos podem diferir em 1-2 dias e a fronteira dia-noite se move constantemente em um dia.
3. BigData é não linear
Os dados recebidos são BigData. E até que os padrões ocultos nos fenômenos não lineares sejam revelados, esses dados não têm uso prático. Porque é impossível formular declarações ou regras de definição de metas.
Tudo o que resta é experimentar e desenvolver a intuição.
Os dados originais foram suavizados usando uma média móvel. Em um quadro de 4 fotos:
- fileira superior:
foto esquerda: dia original (azul) - noite inicial (marrom),
foto direita: dia suavizado (azul) - noite suavizada (marrom);
- linha inferior:
figura à esquerda: dia original (azul) - dia suavizado (marrom),
figura direita: noite original (azul) - noite suavizada (marrom).
A combinação de dia e noite confunde muito o quadro devido à complexidade da dinâmica. Separar o dia e a noite (dificuldade com o limite flutuante do nascer do sol-pôr do sol) permite que você veja quase o mesmo perfil com um ligeiro deslocamento (linha superior, figura à direita).
4. Fechar perfis: sazonal e fora de temporada
Os perfis resultantes podem ser comparados. Como métrica, usamos o valor da integral do valor absoluto de todos os pares de funções. Para Maliy Sareev, temos 83 meios períodos lunares de 2012 a 2017. As distribuições dos valores arredondados das métricas são mostradas nas tabelas.
A distribuição a seguir corresponde a esses valores.
A figura abaixo mostra o padrão de interferência sazonal: mais de 4 anos para Maly Sareev para perfis diurnos. Matrix 83x83. Dentro da estrutura da métrica introduzida, uma certa periodicidade pode ser rastreada.
A sazonalidade pode ser abandonada afastando-se dos valores absolutos de temperatura e comparando apenas perfis adimensionais.
Os mesmos perfis com temperaturas diferentes não serão próximos. Usaremos outra métrica: a integral do valor absoluto da diferença de funções com um deslocamento pela distância da diferença média entre as funções em 10 pontos. Chamaremos esses perfis de entressafra.
A distribuição torna-se mais específica - a primeira sazonal, a segunda entressafra.
O segundo padrão de interferência também é mais claro.
5. O que aconteceu e o que isso dá?
É claro que depois do outono haverá inverno e depois do inverno haverá primavera. Também está claro que a previsão do tempo é confiável para 3 dias.
Que novos resultados os resultados obtidos fornecem? Com base neles, é possível tipificar a previsão e entender em quais perfis ela pode se desenvolver e em quais é improvável o desenvolvimento.
6. Nevoeiro em aeródromos
O exemplo a seguir demonstra os benefícios claros de digitar perfis.
O nevoeiro nos aeródromos é um grande problema. Em uma situação normal, a temperatura deve diminuir com a altura. No entanto, se em algum nível aparecerem camadas de ar mais quentes do que nas camadas mais baixas (mais perto do solo), então a névoa se formará. Nada pode ser feito com a névoa, mas se houver informações sobre uma possível névoa, as medidas organizacionais podem reduzir significativamente os danos dela.
Existem aparelhos que medem periodicamente a temperatura de 50 metros a 1000 metros de altura (20 medições no total).
Da mesma forma que antes, selecione os perfis típicos (fragmento).
Os perfis mostrados à direita podem diferir em aparência daqueles à esquerda devido às diferentes dimensões da escala.
Para previsões, é importante vincular os dados do instrumento aos dados regulares da estação meteorológica do aeródromo. A imagem abaixo resume os dados de duas fontes.
Como resultado, surgem combinações de uma sequência de medições, combinadas com fenômenos naturais, que podem servir de base para um sistema de aprendizado de máquina para detecção de nevoeiro.
7. Conclusões
Se as empresas industriais querem tentar na prática atingir a Indústria 4.0 com um investimento mínimo, então a introdução do fator de dependência do clima é a melhor opção. Apostar na dependência do clima no atual nível de eficiência não é a melhor opção. São muitas outras áreas que garantem a presença de ganhos de eficiência significativamente maiores.
Para o complexo agroindustrial e as fazendas, ao contrário, a dependência do clima é um fator formador do sistema. Parece que à medida que nos aproximamos do limite de eficácia disponível para os métodos convencionais de gestão organizacional, é necessário experimentar intensamente os métodos de gestão digital.