Comment déterminer si le concept d'Industrie 4.0 est le devoir d'une entreprise envers une tendance de la mode ou une suite logique d'idées de développement commercial?
L'indicateur est la comptabilité de la météo dans l'organisation de l'entreprise. Avec la météo, tout est simple: il existe de nombreux capteurs, stations d'observation et, pas drôle, des analyses prédictives sous forme de prévisions pour différents horizons temporels. En outre, il existe des données historiques, à partir desquelles il est possible de mettre en évidence la corrélation des indicateurs de production et commerciaux du travail de l'entreprise avec la météo.
Environ 60 à 70% de l'activité dépend clairement de la météo. Si vous comptez les congés de maladie pour les travailleurs et les garderies, le pourcentage sera encore plus élevé.
Outre la dépendance climatique des entreprises, il existe également une dépendance climatique dans la consommation de produits commerciaux.
Pour le charbon, ce sont des écarts de chaleur et de froid. Pour les producteurs d'engrais, sécheresse ou pluie. Pour le secteur agricole et les exploitations agricoles, chaque type d'événement météorologique nécessite une réponse appropriée.
Si les entreprises industrielles veulent essayer concrètement la réalisation de l'Industrie 4.0 avec un investissement minimum, alors introduire le facteur de dépendance climatique en considération est la meilleure option. Parier sur la dépendance climatique au niveau actuel d'efficacité n'est pas la meilleure option. Il existe de nombreux autres domaines qui garantissent la présence de gains d'efficacité nettement plus importants.
Pour le complexe agro-industriel et les exploitations agricoles, au contraire, la dépendance climatique est un facteur de formation du système. Il semble qu'à l'approche de la limite d'efficacité des méthodes classiques de gestion organisationnelle, il soit nécessaire d'expérimenter intensivement les méthodes de gestion numérique.
1. L'intelligence artificielle en pratique
Au-dessus, nous avons eu des turbulences. Il n'y a pas encore d'équations décrivant la turbulence. Une prévision météorologique assez fiable n'est donnée que pour 3 jours, ce qui est une conséquence de la faible vitesse et de l'inertie des flux d'air.
Les stations météorologiques sont assez éloignées les unes des autres. Aux États-Unis, ce problème a été partiellement résolu en connectant plus de 40 000 stations météorologiques privées au réseau général.
La turbulence se manifeste en pratique par le fait qu'en fonction de la configuration du terrain et du mouvement des flux d'air, les valeurs des indicateurs peuvent différer à une distance de 100 à 200 mètres.
Pour les stations météorologiques liées au terrain, il existe une solution pour augmenter la précision des prévisions basée sur l'apprentissage automatique (intelligence artificielle). Sur la base des statistiques collectées à ce stade, des corrections sont apportées aux prévisions officielles actuelles, qui prennent en compte la configuration du paysage à ce stade.
2. Depuis la nature - allez au calendrier lunaire
Voici les données de la station météorologique Maloe Sareevo. La plupart des stations sont éloignées les unes des autres - dans des cercles divergents de Moscou. La seule option, lorsque les stations sont suffisamment proches et correspondent aux sommets d'un triangle avec des arêtes de 17-20 km, est l'aérodrome de Maloe Sareyevo, Nemchinovka et Vnukovo. Dans ce cas, vous pouvez en quelque sorte revérifier les résultats.
Maloye Sareevo: données de température (fragment de données de 2005 à 2017, les lignes diurnes sont bleues, les lignes nocturnes sont brunes):
Toutes les mesures, dans un premier temps, ont été divisées en périodes correspondant au mois lunaire et en demi-périodes de montée et de descente de la lune. Deuxièmement, dans les mesures d'une journée, les mesures ont été regroupées en nuit et en jour selon les heures de lever et de coucher du soleil, et ont également été renormalisées à un intervalle unitaire.
La renormalisation à un intervalle unitaire est nécessaire en raison du fait que les demi-périodes peuvent différer de 1 à 2 jours et que la frontière jour-nuit se déplace constamment dans la journée.
3. BigData est la non-linéarité
Les données reçues sont BigData. Et jusqu'à ce que les modèles cachés dans les phénomènes non linéaires soient révélés, ces données n'ont aucune utilité pratique. Parce qu'il est impossible de formuler des déclarations ou des règles de fixation d'objectifs.
Il ne reste plus qu'à expérimenter et à développer l'intuition.
Les données d'origine ont été lissées à l'aide d'une moyenne mobile. Dans un cadre de 4 photos:
- rangée du haut:
image de gauche: jour d'origine (bleu) - nuit d'origine (marron),
dessin de droite: jour lissé (bleu) - nuit lissée (marron);
- ligne du bas:
figure de gauche: jour d'origine (bleu) - jour lissé (marron),
figure de droite: nuit d'origine (bleu) - nuit lissée (marron).
La combinaison du jour et de la nuit confond beaucoup l'image en raison de la complexité de la dynamique. Séparer le jour et la nuit (difficulté avec une limite flottante entre l'aube et le crépuscule) vous permet de voir presque le même profil avec un léger décalage (rangée du haut, figure de droite).
4. Profils proches: saisonniers et hors saison
Les profils résultants peuvent être comparés. En tant que métrique, nous utilisons la valeur de l'intégrale de la valeur absolue de toutes les paires de fonctions. Pour Maliy Sareev, nous avons 83 demi-périodes lunaires de 2012 à 2017. Les distributions des valeurs métriques arrondies sont indiquées dans les tableaux.
La distribution suivante correspond à ces valeurs.
La figure ci-dessous montre le schéma d'interférence saisonnier: sur 4 ans pour Maly Sareev pour les profils diurnes. Matrix 83x83. Dans le cadre de la métrique introduite, une certaine périodicité peut être tracée.
La saisonnalité peut être abandonnée en s'éloignant des valeurs de température absolues et en comparant uniquement les profils sans dimension.
Les mêmes profils avec des températures différentes ne seront pas proches. Nous utiliserons une autre métrique: l'intégrale de la valeur absolue de la différence des fonctions avec un déplacement de la distance de la différence moyenne entre les fonctions en 10 points. Nous appellerons ces profils hors saison.
La répartition est de plus en plus précise - la première saisonnière, la deuxième hors saison.
Le deuxième motif d'interférence est également plus clair.
5. Que s'est-il passé et que donne-t-il?
Il est clair qu'après l'automne, il y aura l'hiver et après l'hiver, il y aura le printemps. Il est également clair que les prévisions météorologiques sont fiables pendant 3 jours.
Quels nouveaux résultats donnent les résultats obtenus? Sur la base de celles-ci, il est possible de typifier la prévision et de comprendre dans quels profils elle peut se développer, et dans quel développement est peu probable.
6. Brouillard sur les aérodromes
L'exemple suivant montre les avantages évidents de la saisie de profils.
Le brouillard sur les aérodromes est un gros problème. Dans une situation normale, la température devrait diminuer avec la hauteur. Cependant, si à un certain niveau des couches d'air plus chaudes apparaissent que sur celles qui se trouvent plus bas (plus près du sol), alors du brouillard se forme. Rien ne peut être fait avec le brouillard, mais s'il existe des informations sur un éventuel brouillard, des mesures organisationnelles peuvent réduire considérablement les dommages qui en résultent.
Il existe des appareils qui mesurent périodiquement la température de 50 mètres à 1000 mètres de hauteur (20 mesures au total).
De la même manière que précédemment, sélectionnez les profils types (fragment).
Les profils représentés à droite peuvent différer en apparence de ceux de gauche en raison des différentes dimensions de la balance.
Pour la prévision, il est important de relier les données des instruments aux données régulières de la station météorologique d'aérodrome. L'image ci-dessous résume les données de deux sources.
En conséquence, des combinaisons d'une séquence de mesures apparaissent, associées à des phénomènes naturels, qui peuvent être utilisées comme base d'un système d'apprentissage automatique pour la détection du brouillard.
7. Conclusions
Si les entreprises industrielles veulent essayer concrètement la réalisation de l'Industrie 4.0 avec un investissement minimum, alors introduire le facteur de dépendance climatique en considération est la meilleure option. Parier sur la dépendance climatique au niveau actuel d'efficacité n'est pas la meilleure option. Il existe de nombreux autres domaines qui garantissent la présence de gains d'efficacité nettement plus importants.
Pour le complexe agro-industriel et les exploitations agricoles, au contraire, la dépendance climatique est un facteur de formation du système. Il semble qu'à l'approche de la limite d'efficacité des méthodes classiques de gestion organisationnelle, il soit nécessaire d'expérimenter intensivement les méthodes de gestion numérique.