Bagaimana cara menentukan apakah konsep Industri 4.0 merupakan kewajiban perusahaan terhadap trend fashion atau kelanjutan logis dari ide pengembangan bisnis?
Indikatornya adalah penghitungan cuaca dalam organisasi bisnis. Dengan cuaca, semuanya sederhana: ada banyak sensor, stasiun observasi dan, tidak lucu, analitik prediktif dalam bentuk ramalan untuk cakrawala waktu yang berbeda. Selain itu, ada data historis, yang memungkinkan untuk menyoroti korelasi indikator produksi dan komersial dari pekerjaan perusahaan dengan cuaca.
Sekitar 60-70% bisnis jelas bergantung pada cuaca. Jika Anda menghitung cuti sakit untuk pekerja dan pengasuhan anak, persentasenya akan lebih tinggi.
Selain ketergantungan cuaca bisnis, ada juga ketergantungan cuaca dalam konsumsi produk bisnis.
Untuk batu bara, ini adalah deviasi panas dan dingin. Bagi produsen pupuk, kekeringan atau hujan. Untuk sektor pertanian dan peternakan, setiap jenis kejadian cuaca membutuhkan respon yang tepat.
Jika perusahaan industri ingin mencoba mempraktekkan pencapaian Industri 4.0 dengan investasi minimal, maka memasukkan faktor ketergantungan cuaca menjadi pertimbangan adalah pilihan terbaik. Bertaruh pada ketergantungan cuaca pada tingkat efisiensi saat ini bukanlah pilihan terbaik. Ada banyak bidang lain yang menjamin adanya peningkatan efisiensi yang jauh lebih besar.
Untuk kompleks agroindustri dan peternakan, sebaliknya, ketergantungan cuaca merupakan faktor pembentuk sistem. Tampaknya ketika kita mendekati batas efektivitas yang tersedia untuk metode manajemen organisasi konvensional, perlu dilakukan eksperimen secara intensif dalam metode manajemen digital.
1. Kecerdasan buatan dalam praktik
Di atas kami diberi turbulensi. Belum ada persamaan yang menjelaskan turbulensi. Ramalan cuaca yang cukup andal diberikan hanya selama 3 hari, yang merupakan konsekuensi dari lambatnya kecepatan dan inersia aliran udara.
Stasiun cuaca terletak cukup jauh dari satu sama lain. Di Amerika Serikat, masalah ini sebagian diselesaikan dengan menghubungkan lebih dari 40.000 stasiun cuaca pribadi ke jaringan umum.
Turbulensi memanifestasikan dirinya dalam praktiknya dalam kenyataan bahwa tergantung pada konfigurasi medan dan pergerakan aliran udara, nilai indikator dapat berbeda pada jarak 100-200 meter.
Untuk stasiun cuaca yang terikat medan, terdapat solusi untuk meningkatkan akurasi prakiraan berdasarkan pembelajaran mesin (kecerdasan buatan). Berdasarkan statistik yang dikumpulkan pada saat ini, koreksi dibuat untuk ramalan resmi saat ini, yang memperhitungkan konfigurasi lanskap pada saat ini.
2. Sejak alam - pergi ke kalender lunar
Di bawah ini adalah data untuk stasiun meteorologi Maloe Sareevo. Sebagian besar stasiun terletak jauh dari satu sama lain - dalam lingkaran yang menyimpang dari Moskow. Satu-satunya pilihan, ketika stasiun berada cukup dekat dan sesuai dengan simpul segitiga dengan tepi 17-20 km, adalah lapangan terbang Maloe Sareyevo, Nemchinovka dan Vnukovo. Dalam hal ini, Anda dapat memeriksa ulang hasilnya.
Maloye Sareevo: data suhu (fragmen data dari 2005 hingga 2017, garis siang hari berwarna biru, garis malam hari berwarna coklat):
Semua pengukuran, pertama, dibagi ke dalam periode yang sesuai dengan bulan lunar dan periode setengah naik dan turunnya bulan. Kedua, dalam pengukuran satu hari, pengukuran dikelompokkan menjadi malam dan siang hari menurut waktu matahari terbit dan terbenam, serta dinormalisasi ulang menjadi satuan interval.
Penormalan ulang ke interval satuan diperlukan karena fakta bahwa paruh waktu dapat berbeda 1-2 hari dan batas siang-malam terus bergerak dalam sehari.
3. BigData adalah nonlinier
Data yang diterima adalah BigData. Dan sampai pola tersembunyi dalam fenomena nonlinier terungkap, data ini tidak memiliki kegunaan praktis. Karena tidak mungkin merumuskan pernyataan atau aturan penetapan tujuan.
Yang tersisa hanyalah bereksperimen dan mengembangkan intuisi.
Data asli dihaluskan menggunakan rata-rata bergerak. Dalam bingkai 4 gambar:
- baris atas:
gambar kiri: hari asli (biru) - malam asli (coklat),
gambar kanan: hari dihaluskan (biru) - malam dihaluskan (coklat);
- baris bawah:
gambar kiri: hari asli (biru) - hari dihaluskan (coklat),
gambar kanan: malam asli (biru) - malam dihaluskan (coklat).
Kombinasi siang dan malam sangat membingungkan gambar karena kompleksitas dinamikanya. Memisahkan siang dan malam (kesulitan dengan batas fajar-senja mengambang) memungkinkan Anda untuk melihat profil yang hampir sama dengan sedikit offset (baris atas, gambar kanan).
4. Tutup profil: musiman dan di luar musim
Profil yang dihasilkan dapat dibandingkan. Sebagai metrik, kami menggunakan nilai integral dari nilai absolut dari semua pasangan fungsi. Untuk Maly Sareev, kami memiliki 83 periode paruh bulan dari 2012 hingga 2017. Distribusi nilai metrik yang dibulatkan ditampilkan di tabel.
Distribusi berikut sesuai dengan nilai-nilai ini.
Gambar di bawah ini menunjukkan pola gangguan musiman: lebih dari 4 tahun untuk Maly Sareev untuk profil siang hari. Matriks 83x83. Dalam kerangka metrik yang diperkenalkan, periodisitas tertentu dapat dilacak.
Kemusiman dapat diabaikan dengan menjauhi nilai suhu absolut dan hanya membandingkan profil tanpa dimensi.
Profil yang sama dengan suhu berbeda tidak akan dekat. Kami akan menggunakan metrik lain: integral dari nilai absolut dari perbedaan fungsi dengan perpindahan jarak selisih rata-rata antara fungsi lebih dari 10 poin. Kami akan menyebut profil seperti itu di luar musim.
Distribusi menjadi lebih pasti - musim pertama, musim sepi kedua.
Pola interferensi kedua juga lebih jelas.
5. Apa yang terjadi dan apa yang diberikannya?
Jelas bahwa setelah musim gugur akan ada musim dingin, dan setelah musim dingin akan ada musim semi. Juga jelas bahwa ramalan cuaca dapat diandalkan selama 3 hari.
Apa yang baru tentang hasil yang diperoleh? Berdasarkan mereka, dimungkinkan untuk menggambarkan prakiraan dan memahami profil mana yang dapat dikembangkan, dan di mana pengembangan tidak mungkin.
6. Kabut di lapangan terbang
Contoh berikut menunjukkan manfaat yang jelas dari mengetik profil.
Kabut di aerodrome adalah masalah besar. Dalam situasi normal, suhu akan menurun seiring dengan ketinggian. Namun, jika pada tingkat tertentu lapisan udara yang lebih hangat muncul daripada yang terletak lebih rendah (lebih dekat ke tanah), maka kabut akan terbentuk. Tidak ada yang bisa dilakukan dengan kabut, tetapi jika ada informasi tentang kemungkinan kabut, maka langkah-langkah organisasi dapat secara signifikan mengurangi kerusakan darinya.
Ada perangkat yang secara berkala mengukur suhu dari ketinggian 50 meter hingga 1000 meter (total 20 pengukuran).
Dengan cara yang sama seperti sebelumnya, pilih profil tipikal (fragmen).
Profil yang ditampilkan di sebelah kanan mungkin berbeda tampilannya dari yang di kiri karena dimensi skala yang berbeda.
Untuk peramalan, penting untuk menghubungkan data instrumen dengan data reguler stasiun cuaca aerodrome. Gambar di bawah ini merangkum data dari dua sumber.
Hasilnya, muncul kombinasi urutan pengukuran, dikombinasikan dengan fenomena alam, yang dapat digunakan sebagai dasar sistem pembelajaran mesin untuk mendeteksi kabut.
7. Kesimpulan
Jika perusahaan industri ingin mencoba mempraktekkan pencapaian Industri 4.0 dengan investasi minimal, maka memasukkan faktor ketergantungan cuaca menjadi pertimbangan adalah pilihan terbaik. Bertaruh pada ketergantungan cuaca pada tingkat efisiensi saat ini bukanlah pilihan terbaik. Ada banyak bidang lain yang menjamin adanya peningkatan efisiensi yang jauh lebih besar.
Untuk kompleks agroindustri dan peternakan, sebaliknya, ketergantungan cuaca merupakan faktor pembentuk sistem. Tampaknya ketika kita mendekati batas efektivitas yang tersedia untuk metode manajemen organisasi konvensional, perlu dilakukan eksperimen secara intensif dalam metode manajemen digital.