如何确定工业4.0的概念是公司对时尚潮流的责任还是对业务发展思想的逻辑延续?
该指标是业务组织中天气的核算。有了天气,一切都变得很简单:有许多传感器,观测站,并且以不同时间范围的预测形式进行了有趣的预测分析。此外,还有历史数据可用来区分公司工作的生产和商业指标与天气之间的相关性。
大约60-70%的业务显然取决于天气。如果算上工人请假和育儿的病假,这一比例会更高。
除了业务对天气的依赖性外,业务产品的消费也与天气有关。
对于煤炭,这些是热和冷的偏差。对于化肥生产者,干旱或下雨。对于农业部门和农场,每种天气事件都需要适当的响应。
如果工业公司希望以最小的投入实践尝试实现工业4.0,那么最好考虑引入天气依赖因素。在当前的效率水平上依赖天气并不是最好的选择。还有许多其他领域可以保证更大的效率提升。
相反,对于农工综合体和农场,天气依赖性是系统形成的因素。似乎随着我们接近常规组织管理方法的有效性极限,有必要在数字管理方法中进行大量实验。
1.实践中的人工智能
在上面,我们受到了动荡。尚无描述湍流的方程式。由于气流的速度和惯性很慢,因此只能给出3天的相当可靠的天气预报。
气象站彼此之间的距离足够远。在美国,通过将40,000多个私人气象站连接到通用网络可以部分解决此问题。
湍流在实践中表现出来的事实是,取决于地形的配置和气流的运动,指示器的值在100-200米的距离上可能会有所不同。
对于有地形限制的气象站,有一种解决方案可基于机器学习(人工智能)来提高预报的准确性。根据在给定点收集的统计信息,对当前官方预测进行更正,并考虑到该点的景观配置。
2.自大自然-进入阴历
以下是Maloe Sareevo气象站的数据。大多数车站彼此相距遥远-远离莫斯科的圈子。如果站点距离足够近并且对应于具有17-20 km边缘的三角形的顶点,则唯一的选择是Maloe Sareyevo,Nemchinovka和Vnukovo机场。在这种情况下,您可以以某种方式仔细检查结果。
Maloye Sareevo:温度数据(2005年至2017年的数据片段,日线为蓝色,夜间线为棕色):
首先,将所有测量值划分为对应于阴历月的时间段以及相应的月周期上升和下降一半。其次,在一天的测量中,根据日出和日落的时间将测量分为夜间和白天,并重新归一化为单位间隔。
由于半周期的差异可能为1-2天,并且昼夜边界在一天中不断变化,因此必须将归一化为单位间隔。
3.大数据是非线性
收到的数据是BigData。直到揭示出非线性现象中的隐藏模式,这些数据才有实际用途。因为不可能制定目标设定陈述或规则。
剩下的只是试验和发展直觉。
使用移动平均值对原始数据进行平滑。在包含4张图片的帧中:
-上排:
左图:原始日(蓝色)-原始夜(棕色),
右图:平滑的白天(蓝色)-平滑的夜晚(棕色);
-下排:
左图:原始日期(蓝色)-平滑的一天(棕色),
右图:原始夜晚(蓝色)-平滑的夜晚(棕色)。
由于动态的复杂性,白天和黑夜的组合极大地混淆了画面。白天和黑夜分开(难以区分黎明和黄昏的边界)使您可以看到几乎相同的轮廓,但有一点偏移(上排,右图)。
4.简介:季节性和淡季
可以比较生成的配置文件。作为度量,我们使用所有函数对的绝对值的积分值。对于马里·萨列耶夫(Maliy Sareev),从2012年到2017年,我们有83个农历半月期。表格中显示了四舍五入的度量值的分布。
以下分布对应于这些值。
下图显示了季节性干扰模式:Maly Sareev在4年中的日间分布图。矩阵83x83。在引入的度量的框架内,可以跟踪一定的周期性。
可以通过远离绝对温度值并仅比较无量纲轮廓来消除季节性。
具有不同温度的相同配置文件不会关闭。我们将使用另一个度量标准:函数差的绝对值与位移乘以10个点处的函数之间的平均差的距离的积分。我们将这类档案称为淡季。
分布变得更加具体-第一个季节,第二个淡季。
第二种干扰模式也更加清晰。
5.发生了什么事,它有什么作用?
显然,秋天过后会有冬天,冬天过后会有春天。同样清楚的是,天气预报在3天内是可靠的。
所得结果给出什么新结果?基于它们,可以对预测进行典型化并了解可以在哪些配置文件中进行开发,以及在哪些情况下不可能进行开发。
6.飞机场上的雾
下面的示例演示了键入配置文件的明显好处。
机场上的雾是一个大问题。在正常情况下,温度应随高度降低。但是,如果在某个水平上出现的空气层比在较低层(更靠近地面)的空气层更热,则会形成雾气。雾是无能为力的,但是如果有关于可能雾的信息,那么组织措施可以大大减少雾的危害。
有些设备会定期测量高度在50米到1000米之间的温度(总共20次测量)。
以与以前相同的方式,选择典型的配置文件(片段)。
由于比例尺的尺寸不同,右侧所示的轮廓与左侧的外观可能会有所不同。
为了进行预测,将仪器数据与机场气象站的常规数据链接起来很重要。下图总结了两个来源的数据。
结果,出现了一系列测量结果的组合以及自然现象,这些现象可以用作检测雾的机器学习系统的基础。
7.结论
如果工业公司希望以最小的投入实践尝试实现工业4.0,那么最好考虑引入天气依赖因素。在当前的效率水平上依赖天气并不是最好的选择。还有许多其他领域可以保证更大的效率提升。
相反,对于农工综合体和农场,天气依赖性是系统形成的因素。似乎随着我们接近常规组织管理方法的有效性极限,有必要在数字管理方法中进行大量实验。