¿Cómo determinar si el concepto de Industria 4.0 es el deber de una empresa hacia una tendencia de moda o una continuación lógica de las ideas de desarrollo empresarial?
El indicador es la contabilidad del clima en la organización empresarial. Con el clima, todo es simple: hay muchos sensores, estaciones de observación y, nada curioso, análisis predictivos en forma de pronóstico para diferentes horizontes temporales. Además, existen datos históricos a partir de los cuales es posible distinguir la correlación de los indicadores productivos y comerciales del trabajo de la empresa con el clima.
Alrededor del 60-70% del negocio depende claramente del clima. Si cuenta las bajas por enfermedad de los trabajadores y el cuidado de los niños, el porcentaje será aún mayor.
Además de la dependencia climática de las empresas, también existe una dependencia climática en el consumo de productos comerciales.
Para el carbón, se trata de desviaciones de calor y frío. Para productores de fertilizantes, sequía o lluvia. Para el sector agrícola y las granjas, cada tipo de evento climático requiere una respuesta adecuada.
Si las empresas industriales quieren probar en la práctica el logro de la Industria 4.0 con una inversión mínima, entonces la mejor opción es introducir el factor de dependencia climática. Apostar por la dependencia del clima al nivel actual de eficiencia no es la mejor opción. Hay muchas otras áreas que garantizan la presencia de ganancias de eficiencia significativamente mayores.
Para el complejo agroindustrial y las granjas, por el contrario, la dependencia climática es un factor formador del sistema. Parece que a medida que nos acercamos al límite de efectividad disponible para los métodos de gestión organizacional convencionales, es necesario experimentar intensamente en los métodos de gestión digital.
1. Inteligencia artificial en la práctica
Arriba nos dieron turbulencias. Todavía no hay ecuaciones que describan la turbulencia. Se proporciona un pronóstico del tiempo bastante confiable solo para 3 días, lo que es una consecuencia de la baja velocidad y la inercia de los flujos de aire.
Las estaciones meteorológicas están ubicadas lo suficientemente lejos unas de otras. En Estados Unidos, este problema se resolvió parcialmente conectando más de 40.000 estaciones meteorológicas privadas a la red general.
La turbulencia se manifiesta en la práctica en el hecho de que, según la configuración del terreno y el movimiento de los flujos de aire, los valores de los indicadores pueden diferir a una distancia de 100-200 metros.
Para las estaciones meteorológicas limitadas al terreno, existe una solución para aumentar la precisión del pronóstico basada en el aprendizaje automático (inteligencia artificial). Con base en las estadísticas recopiladas en este punto, se realizan correcciones a la previsión oficial actual, que tiene en cuenta la configuración del paisaje en este punto.
2. Desde la naturaleza - ve al calendario lunar
A continuación se muestran los datos de la estación meteorológica Maloe Sareevo. La mayoría de las estaciones están ubicadas lejos unas de otras, en círculos que divergen de Moscú. La única opción, cuando las estaciones están ubicadas lo suficientemente cerca y corresponden a los vértices de un triángulo con bordes de 17-20 km, es el aeródromo de Maloye Sareyevo, Nemchinovka y Vnukovo. En este caso, de alguna manera puede verificar los resultados obtenidos.
Maloye Sareevo: datos de temperatura (fragmento de datos de 2005 a 2017, las líneas diurnas son azules, las nocturnas son marrones):
todas las mediciones, en primer lugar, se dividieron en períodos correspondientes al mes lunar y medios períodos de salida y caída de la luna. En segundo lugar, dentro de las mediciones de un día, las mediciones se agruparon en diurnas y nocturnas según las horas de salida y puesta del sol, y también se volvieron a normalizar en un intervalo unitario.
La renormalización a un intervalo unitario es necesaria debido al hecho de que los medios períodos pueden diferir en 1-2 días y el borde día-noche se mueve constantemente en un día.
3. BigData es no linealidad
Los datos recibidos son BigData. Y hasta que se revelen los patrones ocultos en los fenómenos no lineales, estos datos no tienen ningún uso práctico. Porque es imposible formular declaraciones o reglas para establecer metas.
Todo lo que queda es experimentar y desarrollar la intuición.
Los datos originales se suavizaron utilizando una media móvil. En un marco de 4 imágenes:
- fila superior:
imagen izquierda: día original (azul) - noche original (marrón),
imagen derecha: día suavizado (azul) - noche suavizada (marrón);
- fila inferior:
figura izquierda: día original (azul) - día suavizado (marrón),
figura derecha: noche original (azul) - noche suavizada (marrón).
La combinación de día y noche confunde mucho la imagen debido a la complejidad de la dinámica. Separar el día y la noche (dificultad con el límite flotante entre el amanecer y el atardecer) le permite ver casi el mismo perfil con un ligero desplazamiento (fila superior, figura derecha).
4. Cerrar perfiles: estacional y fuera de temporada
Los perfiles resultantes se pueden comparar. Como métrica, usamos el valor de la integral del valor absoluto de todos los pares de funciones. Para Maliy Sareev, tenemos 83 períodos medios lunares de 2012 a 2017. Las distribuciones de los valores métricos redondeados se muestran en las tablas.
La siguiente distribución corresponde a estos valores.
La siguiente figura muestra el patrón de interferencia estacional: más de 4 años para Maly Sareev para perfiles diurnos. Matriz 83x83. En el marco de la métrica introducida, se puede rastrear una cierta periodicidad.
La estacionalidad puede abandonarse alejándose de los valores absolutos de temperatura y comparando solo perfiles adimensionales.
Los mismos perfiles con diferentes temperaturas no estarán cerca. Usaremos otra métrica: la integral del valor absoluto de la diferencia de funciones con un desplazamiento por la distancia de la diferencia promedio entre las funciones en 10 puntos. Llamaremos a dichos perfiles fuera de temporada.
La distribución se vuelve más específica: la primera temporada, la segunda fuera de temporada.
El segundo patrón de interferencia también es más claro.
5. ¿Qué pasó y qué da?
Está claro que después del otoño habrá invierno, y después del invierno habrá primavera. También está claro que la previsión meteorológica es fiable durante 3 días.
¿Qué nuevos resultados dan los resultados obtenidos? A partir de ellos, es posible tipificar el pronóstico y comprender qué perfiles puede desarrollar y qué desarrollo es poco probable.
6. Niebla en aeródromos
El siguiente ejemplo demuestra los claros beneficios de escribir perfiles.
La niebla en los aeródromos es un gran problema. En una situación normal, la temperatura debería disminuir con la altura. Sin embargo, si en algún nivel aparecen capas de aire más cálidas que en las más bajas (más cerca del suelo), se formará niebla. No se puede hacer nada con la niebla, pero si hay información sobre una posible niebla, las medidas organizativas pueden reducir significativamente el daño.
Hay dispositivos que miden periódicamente la temperatura desde 50 metros hasta 1000 metros de altura (20 mediciones en total).
De la misma forma que antes, seleccione los perfiles típicos (fragmento).
Los perfiles que se muestran a la derecha pueden diferir en apariencia de los de la izquierda debido a las diferentes dimensiones de la escala.
Para la predicción, es importante vincular los datos de los instrumentos con los datos regulares de la estación meteorológica del aeródromo. La siguiente imagen resume los datos de dos fuentes.
Como resultado, aparecen combinaciones de una secuencia de mediciones, combinadas con fenómenos naturales, que pueden usarse como base para un sistema de aprendizaje automático para la detección de niebla.
7. Conclusiones
Si las empresas industriales quieren probar en la práctica el logro de la Industria 4.0 con una inversión mínima, entonces la mejor opción es introducir el factor de dependencia climática. Apostar por la dependencia del clima al nivel actual de eficiencia no es la mejor opción. Hay muchas otras áreas que garantizan la presencia de ganancias de eficiencia significativamente mayores.
Para el complejo agroindustrial y las granjas, por el contrario, la dependencia climática es un factor formador del sistema. Parece que a medida que nos acercamos al límite de efectividad disponible para los métodos de gestión organizacional convencionales, es necesario experimentar intensamente en los métodos de gestión digital.