Wie lässt sich feststellen, ob das Konzept von Industrie 4.0 die Pflicht eines Unternehmens gegenüber einem Modetrend oder eine logische Fortsetzung von Geschäftsentwicklungsideen ist?
Der Indikator ist die Abrechnung des Wetters in der Unternehmensorganisation. Mit dem Wetter ist alles einfach: Es gibt viele Sensoren, Beobachtungsstationen und nicht witzige Vorhersageanalysen in Form einer Vorhersage für verschiedene Zeithorizonte. Darüber hinaus gibt es historische Daten, anhand derer die Korrelation von Produktions- und Handelsindikatoren der Arbeit des Unternehmens mit dem Wetter hervorgehoben werden kann.
Etwa 60-70% des Geschäfts sind eindeutig wetterabhängig. Wenn Sie den Krankenstand für Mitarbeiter und die Kinderbetreuung zählen, ist der Prozentsatz sogar noch höher.
Neben der Wetterabhängigkeit des Geschäfts besteht auch eine Wetterabhängigkeit beim Verbrauch von Geschäftsprodukten.
Bei Kohle sind dies Abweichungen in Wärme und Kälte. Für Düngemittelproduzenten, Trockenheit oder Regen. Für den Agrarsektor und die landwirtschaftlichen Betriebe erfordert jede Art von Wetterereignis eine angemessene Reaktion.
Wenn Industrieunternehmen in der Praxis versuchen möchten, Industrie 4.0 mit einer Mindestinvestition zu erreichen, ist die Berücksichtigung des Faktors der Wetterabhängigkeit die beste Option. Wetten auf Wetterabhängigkeit bei der aktuellen Effizienzstufe sind nicht die beste Option. Es gibt viele andere Bereiche, die das Vorhandensein deutlich größerer Effizienzgewinne garantieren.
Im Gegensatz dazu ist die Wetterabhängigkeit für den agroindustriellen Komplex und die landwirtschaftlichen Betriebe ein systembildender Faktor. Es scheint, dass es notwendig ist, intensiv mit digitalen Managementmethoden zu experimentieren, wenn wir uns der Grenze der Effektivität nähern, die herkömmlichen Methoden des Organisationsmanagements zur Verfügung steht.
1. Künstliche Intelligenz in der Praxis
Oben wurden uns Turbulenzen gegeben. Es gibt noch keine Gleichungen, die Turbulenzen beschreiben. Eine ziemlich zuverlässige Wettervorhersage wird nur für 3 Tage gegeben, was eine Folge der langsamen Geschwindigkeit und Trägheit der Luftströme ist.
Wetterstationen sind weit genug voneinander entfernt. In den USA wurde dieses Problem teilweise gelöst, indem mehr als 40.000 private Wetterstationen an das allgemeine Netzwerk angeschlossen wurden.
Turbulenzen äußern sich in der Praxis darin, dass die Werte der Indikatoren je nach Geländekonfiguration und Luftströmungsbewegung in einer Entfernung von 100 bis 200 Metern abweichen können.
Für geländegebundene Wetterstationen gibt es eine Lösung zur Erhöhung der Prognosegenauigkeit basierend auf maschinellem Lernen (künstliche Intelligenz). Basierend auf den zu einem bestimmten Zeitpunkt gesammelten Statistiken werden Korrekturen an der aktuellen offiziellen Prognose vorgenommen, die die Landschaftskonfiguration zu diesem Zeitpunkt berücksichtigen.
2. Seit der Natur - gehe zum Mondkalender
Nachfolgend finden Sie die Daten für die Wetterstation Maloe Sareevo. Die meisten Stationen befinden sich weit voneinander entfernt - in Kreisen, die von Moskau abweichen. Die einzige Option, wenn die Stationen nahe genug liegen und den Eckpunkten eines Dreiecks mit Kanten von 17 bis 20 km entsprechen, ist der Flugplatz Maloe Sareyevo, Nemchinovka und Vnukovo. In diesem Fall können Sie die Ergebnisse irgendwie überprüfen.
Maloye Sareevo: Temperaturdaten (Datenfragment von 2005 bis 2017, Tageslinien sind blau, Nachtlinien sind braun):
Alle Messungen wurden zunächst in Perioden unterteilt, die dem Mondmonat und den Halbperioden des Auf- und Abstiegs des Mondes entsprechen. Zweitens wurden die Messungen innerhalb der Messungen eines Tages gemäß der Zeit von Sonnenaufgang und Sonnenuntergang in Nacht- und Tageszeit gruppiert und auch auf ein Einheitsintervall renormiert.
Eine Renormierung auf ein Einheitsintervall ist erforderlich, da sich die Halbperioden um 1-2 Tage unterscheiden können und sich die Tag-Nacht-Grenze an einem Tag ständig bewegt.
3. BigData ist Nichtlinearität
Die empfangenen Daten sind BigData. Bis die verborgenen Muster in nichtlinearen Phänomenen aufgedeckt sind, haben diese Daten keine praktische Verwendung. Weil es unmöglich ist, Zielsetzungsaussagen oder -regeln zu formulieren.
Alles was bleibt ist zu experimentieren und Intuition zu entwickeln.
Die ursprünglichen Daten wurden unter Verwendung eines gleitenden Durchschnitts geglättet. In einem Rahmen von 4 Bildern:
- obere Reihe:
linkes Bild: ursprünglicher Tag (blau) - erste Nacht (braun),
rechtes Bild: geglätteter Tag (blau) - geglättete Nacht (braun);
- untere Reihe:
linke Abbildung: ursprünglicher Tag (blau) - geglätteter Tag (braun),
rechte Abbildung: ursprüngliche Nacht (blau) - geglättete Nacht (braun).
Die Kombination von Tag und Nacht verwirrt das Bild aufgrund der Komplexität der Dynamik sehr. Durch die Trennung von Tag und Nacht (Schwierigkeit mit der schwebenden Grenze zwischen Sonnenaufgang und Sonnenuntergang) können Sie fast dasselbe Profil mit einem leichten Versatz sehen (obere Reihe, rechte Abbildung).
4. Enge Profile: saisonal und außerhalb der Saison
Die resultierenden Profile können verglichen werden. Als Metrik verwenden wir den Wert des Integrals des Absolutwerts aller Funktionspaare. Für Maly Sareev haben wir von 2012 bis 2017 83 Mondhalbzeiten. Die Verteilungen der gerundeten Metrikwerte sind in den Tabellen aufgeführt.
Die folgende Verteilung entspricht diesen Werten.
Die folgende Abbildung zeigt das saisonale Interferenzmuster: für 4 Jahre für Maly Sareev für Tagesprofile. Matrix 83x83. Im Rahmen der eingeführten Metrik kann eine bestimmte Periodizität verfolgt werden.
Auf Saisonalität kann verzichtet werden, indem man sich von den absoluten Temperaturwerten entfernt und nur dimensionslose Profile vergleicht.
Dieselben Profile mit unterschiedlichen Temperaturen sind nicht nahe beieinander. Wir werden eine andere Metrik verwenden: das Integral des Absolutwerts der Funktionsdifferenz mit einer Verschiebung um den Abstand der durchschnittlichen Differenz zwischen den Funktionen über 10 Punkte. Wir werden solche Profile außerhalb der Saison nennen.
Die Verteilung wird spezifischer - die erste Saison, die zweite Nebensaison.
Das zweite Interferenzmuster ist ebenfalls klarer.
5. Was ist passiert und was gibt es?
Es ist klar, dass es nach dem Herbst Winter und nach dem Winter Frühling geben wird. Es ist auch klar, dass die Wettervorhersage 3 Tage lang zuverlässig ist.
Welche neuen Ergebnisse liefern die erzielten Ergebnisse? Basierend auf ihnen ist es möglich, die Prognose zu typisieren und zu verstehen, in welchen Profilen sie entwickelt werden kann und in welchen Entwicklungen unwahrscheinlich ist.
6. Nebel auf Flugplätzen
Das folgende Beispiel zeigt die klaren Vorteile der Eingabe von Profilen.
Nebel auf Flugplätzen ist ein großes Problem. In einer normalen Situation sollte die Temperatur mit der Höhe abnehmen. Wenn jedoch auf einer bestimmten Ebene wärmere Luftschichten auftreten als auf solchen, die tiefer liegen (näher am Boden), bildet sich Nebel. Mit dem Nebel kann nichts gemacht werden, aber wenn es Informationen über einen möglichen Nebel gibt, können organisatorische Maßnahmen den Schaden durch ihn erheblich reduzieren.
Es gibt Geräte, die regelmäßig die Temperatur von 50 bis 1000 Metern Höhe messen (insgesamt 20 Messungen).
Wählen Sie wie zuvor die typischen Profile (Fragment) aus.
Die rechts gezeigten Profile können aufgrund der unterschiedlichen Abmessungen der Skala im Erscheinungsbild von denen auf der linken Seite abweichen.
Für die Vorhersage ist es wichtig, die Gerätedaten mit den regulären Daten der Flugplatzwetterstation zu verknüpfen. Das folgende Bild fasst Daten aus zwei Quellen zusammen.
Infolgedessen erscheinen Kombinationen einer Abfolge von Messungen, kombiniert mit natürlichen Phänomenen, die als Grundlage für ein maschinelles Lernsystem zur Erkennung von Nebel verwendet werden können.
7. Schlussfolgerung
Wenn Industrieunternehmen in der Praxis versuchen möchten, Industrie 4.0 mit einer Mindestinvestition zu erreichen, ist die Berücksichtigung des Faktors der Wetterabhängigkeit die beste Option. Wetten auf Wetterabhängigkeit bei der aktuellen Effizienzstufe sind nicht die beste Option. Es gibt viele andere Bereiche, die das Vorhandensein deutlich größerer Effizienzgewinne garantieren.
Im Gegensatz dazu ist die Wetterabhängigkeit für den agroindustriellen Komplex und die landwirtschaftlichen Betriebe ein systembildender Faktor. Es scheint, dass es notwendig ist, intensiv mit digitalen Managementmethoden zu experimentieren, wenn wir uns der Grenze der Effektivität nähern, die herkömmlichen Methoden des Organisationsmanagements zur Verfügung steht.