CN109948986A - 一种基于云计算平台的物流监控方法 - Google Patents
一种基于云计算平台的物流监控方法 Download PDFInfo
- Publication number
- CN109948986A CN109948986A CN201910231722.0A CN201910231722A CN109948986A CN 109948986 A CN109948986 A CN 109948986A CN 201910231722 A CN201910231722 A CN 201910231722A CN 109948986 A CN109948986 A CN 109948986A
- Authority
- CN
- China
- Prior art keywords
- humidity
- temperature
- alarm
- monitoring
- logistics
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于云计算平台的物流监控方法,包括:步骤一、通过信息采集系统采集监控物品的保存环境,生成监控物品信息,同时通过信息传感器采集监控物流运输装置的温度和湿度,生成温度和湿度信息;步骤二、控制器接收监控物品信息、温度信息和湿度信息后对温度调控器和湿度调控器进行控制调节和对报警器进行控制报警,并且将调控信息和报警信息数据生成传输;步骤三、数据传输系统接收调控信息和报警信息并且通过无线网络将信息传输至终端,对该物流监控系统进行监控。
Description
技术领域
本发明涉及物流管理,具体涉及一种基于云计算平台的物流监控方法。
背景技术
物流是指为了满足客户的需求,以最低的成本,通过运输、保管、配送等方式,实现原材料、半成品、成品或相关信息进行由商品的产地到商品的消费地的计划、实施和管理的全过程。物流是一个控制原材料、制成品、产成品和信息的系统,从供应开始经各种中间环节的转让及拥有而到达最终消费者手中的实物运动,以此实现组织的明确目标。现代物流是经济全球化的产物,也是推动经济全球化的重要服务业。世界现代物流业呈稳步增长态势,欧洲、美国、日本成为当前全球范围内的重要物流基地。
云计算是基于互联网的相关服务的增加、使用和交互模式,通常涉及通过互联网来提供动态易扩展且经常是虚拟化的资源;为了保证物流的有序进行,需要使用到物流管理系统,现有的物流管理模块往往只能柜货物进行管理,管理面较小,无法对人员和运输车辆进行管理,影响人们的使用;因此结合云计算运用到物流管理中也是未来物流监控的研究方向。
发明内容
本发明设计开发了一种基于云计算平台的物流监控方法,本发明的发明目的之一是基于多方面采集物流运输中的货物及环境信息后,基于BP神经网络和模糊控制模型对物流监控做出合理监管。
本发明的发明目的之二是对物流监控系统的起始监控条件和报警条件进行控制,从而保证在运输过程中达到保存需求,同时提高报警可靠性。
本发明提供的技术方案为:
一种基于云计算平台的物流监控方法,包括:
步骤一、通过信息采集系统采集监控物品的保存环境,生成监控物品信息,同时通过信息传感器采集监控物流运输装置的温度和湿度,生成温度和湿度信息;
步骤二、控制器接收监控物品信息、温度信息和湿度信息后对温度调控器和湿度调控器进行控制调节和对报警器进行控制报警,并且将调控信息和报警信息数据生成传输;
步骤三、数据传输系统接收调控信息和报警信息并且通过无线网络将信息传输至终端,对该物流监控系统进行监控。
优选的是,在所述步骤二中,采用BP神经网络对对温度调控器和湿度调控器进行控制调节,包括如下步骤:
步骤1、按照采样周期,通过温度传感器测量监控物流运输装置的温度T 和湿度传感器测量监控物流运输装置的湿度RH;
步骤2、依次将参数进行规格化,确定三层BP神经网络的输入层向量 x={x1,x2};其中,x1为温度系数、x2为湿度系数;
步骤3、所述输入层向量映射到中间层,所述中间层向量y={y1,y2,…,ym}; m为中间层节点个数;
步骤4、得到输出层向量z={z1,z2};其中,z1为温度调控器开度调节系数, z2为湿度调控器开度调节系数;
步骤5、控制温度调控器、湿度调控器,使
θa(i+1)=z1 iθa_max,
θb(i+1)=z2 iθb_max,
其中,其中z1 i、z2 i分别为第i个采样周期输出层向量参数,θa_max、θb_max分别为设定的温度调控器的最大开度、湿度调控器的最大开度,θa(i+1)、θb(i+1)、分别为第i+1个采样周期时的温度调控器的开度、湿度调控器的开度。
优选的是,在所述步骤二中,监控物流运输装置的温度T、监控物流运输装置的湿度RH进行规格公式为:
其中,xj为输入层向量中的参数,Xj分别为测量参数T、RH,j=1,2;Xjmax和Xjmin分别为相应测量参数中的最大值和最小值。
优选的是,初始状态下,温度调控器、湿度调控器的调节开度满足经验值:
θa0=0.93θa_max,
θb0=0.94θb_max,
其中,其中z1 i、z2 i分别为第i个采样周期输出层向量参数,θa_max、θb_max分别为设定的温度调控器的最大开度、湿度调控器的最大开度,θa0、θb0分别为温度调控器的初始开度、湿度调控器的初始开度。
优选的是,在所述步骤二中,报警器采用模糊控制模型通过输出报警信号进行控制报警,包括如下步骤:
分别将监控物流运输装置的温度变化率、监控物流运输装置的湿度变化率以及报警概率转换为模糊论域中的量化等级;
将监控物流运输装置的温度变化率、监控物流运输装置的湿度变化率输入模糊控制模型,均分为5个等级;
模糊控制模型输出为所述报警概率,分为5个等级;
根据所述报警概率信号,进而做出控制报警。
优选的是,所述监控物流运输装置的温度变化率的论域为[0,5],所述监控物流运输装置的湿度变化率的论域为[0,20],发报警概率的论域为[0,1],设量化因子都为1,设定报警概率的阈值为0.56~0.61中的一个值;以及
所述监控物流运输装置的温度变化率的模糊集为{ZO,PS,PM,PB, PVB},监控物流运输装置的湿度变化率的模糊集为{ZO,PS,PM,PB,PVB},报警概率的模糊集为{S,SM,M,MB,B};隶属函数均选用三角函数。
优选的是,所述模糊控制模型的控制规则为:
如果温度变化率输入为PVB或者PB,湿度变化率输入为PVB,则报警概率输出为B,则报警器进行报警;
如果温度变化率输入为ZO或PS,湿度变化率输入为ZO,则报警概率输出为S,则报警器不进行报警;
如果报警概率输出为S或SM,则报警器进行报警;如果报警概率输出为B或MB,则报警器不进行报警;如果报警概率输出为M,则报警概率为阈值。
优选的是,当-20≤T≤20,所述温度调控器的起始调节开度为:
式中,T为监控物流运输装置的温度,TT为物品信息温度,VA为监控物流装置的整体体积,V0为监控物品体积,λ1为温度校正因子,取值范围为 0.81~0.85;以及
当θa0≥0.93θa_max时,调控温度调控器调节开度满足经验值:θa0=0.93θa_max。
优选的是,当0≤RH≤65,所述湿度调控器的起始调节开度为:
式中,RH为监控物流运输装置的湿度,RHT为物品信息湿度,VA为监控物流装置的整体体积,V0为监控物品体积,λ2为湿度校正因子,取值范围为 0.79~0.82;以及
当θb0≥0.94θb_max时,调控湿度调控器的调节开度满足经验值:θb0=0.94θb_max。
优选的是,所述报警概率根据外部环境进行校正的得到校正报警概率,所述步骤二中的控制器接收校正后的报警概率后进行控制报警,当0≤RH≤25时,所述校正报警概率为:
式中,T为监控物流运输装置的温度,TT为物品信息温度,RH为监控物流运输装置的湿度,RHT为物品信息湿度,VA为监控物流装置的整体体积,V0为监控物品体积。
本发明与现有技术相比较所具有的有益效果:
1、本发明根据货物的信息以及运输监管过程中的相关信息,基于BP神经网络对物流系统中进行控温和控湿,以保证在运输过程中达到保存需求;
2、通过在本发明中采用模糊控制进行对报警模式进行预判,降低了报警的误报率,提高了报警的可靠性;
3、根据物品保存信息、监控系统的温度、湿度和物流运输装置体积,本发明能够对起始温度调控器调节阀开度、起始湿度调控器调节阀开度进行调节以达到保存监管要求,同时对报警概率进行校正得到校正报警概率,进而提高报警准确性。
附图说明
图1为本发明所述的物流监控方法的流程示意图。
图2为本发明所述的温度变化率的隶属函数。
图3为本发明所述的湿度变化率的隶属函数。
图4为本发明所述的报警概率的隶属函数。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
如图1所示,本发明提供了一种基于云计算平台的物流监控系统,包括:信息采集系统、监控系统和数据传输系统;其中,信息采集系统包括RFID 阅读器和信息传感器,RFID阅读器用于识别监控物品上的标签,获取监控物品的品类和保存环境,生成监控物品信息;信息传感器包括温度传感器和湿度传感器,温度传感器和湿度传感器分别用于监控物流运输装置中的温度和湿度,生成温度和湿度信息;监控系统包括控制器、温度调控器、湿度调控器和报警器;其中,控制器接收监控物品信息、温度信息和湿度信息后对温度调控器和湿度调控器进行控制调节和对报警器进行控制报警,并且将调控信息和报警信息数据生成传输;数据传输系统接收调控信息和报警信息并且通过无线网络将信息传输至终端,对该物流监控系统进行有效监控。
在另一种实施例中,还包括定位系统,其包括GPS定位单元和北斗定位单元,所述GPS定位单元和北斗定位单元配合对监控物品进行定位,生成定位信息,并且能够将定位信息输出至数据传输系统,通过数据传输系统将数据传输至终端;
在另一种实施例中,还包括视频监控系统,其对物品进行实时视频监控,生成视频信息传输至数据传输系统后传输至终端。
在另一种实施例中,温度调控器为控温空调,湿度调控器为加湿器。
如图1所示,本发明提供了一种基于云计算平台的物流监控方法,包括如下步骤:
步骤一、通过信息采集系统采集监控物品的保存环境,生成监控物品信息,同时通过信息传感器采集监控物流运输装置的温度和湿度,生成温度和湿度信息;
步骤二、控制器接收监控物品信息、温度信息和湿度信息后对温度调控器和湿度调控器进行控制调节和对报警器进行控制报警,并且将调控信息和报警信息数据生成传输;
步骤三、数据传输系统接收调控信息和报警信息并且通过无线网络将信息传输至终端,对该物流监控系统进行监控。
在另一种实施例中,在所述步骤二中,采用BP神经网络对对温度调控器和湿度调控器进行控制调节,包括如下步骤:
步骤一:建立BP神经网络模型。
本发明采用的BP网络体系结构由三层组成,第一层为输入层,共n个节点,对应了表示设备工作状态的n个检测信号,这些信号参数由数据预处理模块给出。第二层为隐层,共m个节点,由网络的训练过程以自适应的方式确定。第三层为输出层,共p个节点,由系统实际需要输出的响应确定。
该网络的数学模型为:
输入向量:x=(x1,x2,...,xn)T
中间层向量:y=(y1,y2,...,ym)T
输出向量:O=(o1,o2,...,op)T
本发明中,输入层节点数为n=2,输出层节点数为p=2。隐藏层节点数m 由下式估算得出:
输入信号2个参数分别表示为:x1为温度系数、x2为湿度系数。
由于传感器获取的数据属于不同的物理量,其量纲各不相同。因此,在数据输入人工神经网络之前,需要将数据规格化为0-1之间的数。
具体而言,对于使用温度传感器测量的监控物流运输装置的温度T,进行规格化后,得到监控物流运输装置的温度系数x1:
其中,Tmin和Tmax分别为所述监控物流运输装置的最小温度和最大温度。
同样的,对于使用湿度传感器测量的监控物流运输装置的湿度RH,进行规格化后,得到监控物流运输装置的湿度系数x2:
其中,RHmin和RHmax分别为所述监控物流运输装置的最小湿度和最大湿度。
输出信号的2个参数分别表示为:z1为温度调控器调节阀开度调节系数, z2为湿度调控器调节阀开度调节系数。
温度调控器调节阀开度调节系数z1表示为下一个采样周期中的温度调控器调节阀开度与当前采样周期中设定的最大开度之比,即在第i个采样周期中,采集到的调节阀开度为θai,通过BP神经网络输出第i个采样周期的调节阀开度调节系数z1 i后,控制第i+1个采样周期中温度调控器调节阀开度为θa(i+1),使其满足θa(i+1)=z1 iθa_max;
湿度调控器调节阀开度调节系数z2表示为下一个采样周期中的湿度调控器调节阀开度与当前采样周期中设定的最大开度之比,即在第i个采样周期中,采集到的调节阀开度为θbi,通过BP神经网络输出第i个采样周期的调节阀开度调节系数z2 i后,控制第i+1个采样周期中湿度调控器调节阀开度为θb(i+1),使其满足θb(i+1)=z2 iθb_max;
步骤二、进行BP神经网络的训练。
建立好BP神经网络节点模型后,即可进行BP神经网络的训练。根据产品的历史经验数据获取训练的样本,并给定输入节点i和隐含层节点j之间的连接权值wij,隐层节点j和输出层节点k之间的连接权值wjk,隐层节点j的阈值θj,输出层节点k的阈值θk、wij、wjk、θj、θk均为-1到1之间的随机数。
在训练过程中,不断修正wij和wjk的值,直至系统误差小于等于期望误差时,完成神经网络的训练过程。
如表3所示,给定了一组训练样本以及训练过程中各节点的值。
表3训练过程各节点值
步骤三、采集数据运行参数输入神经网络得到调控系数;
训练好的人工神经网络固化在芯片之中,使硬件电路具备预测和智能决策功能,从而形成智能硬件。智能硬件加电启动后,温度调控器和湿度调控器开始运行,温度调控器调节阀初始开度为θa0=0.93θa_max,湿度调控器调节阀初始开度为θb0=0.94θb_max;
同时,通过使用温度传感器测量监控物流运输装置的初始温度T0、湿度传感器测量监控物流运输装置的初始湿度RH0,通过将上述参数规格化,得到BP神经网络的初始输入向量通过BP神经网络的运算得到初始输出向量
步骤四:控制温度调控器调节阀开度、湿度调控器调节阀开度;得到初始输出向量后,即可进行调节阀开度调控,调节温度调控器调节阀开度、湿度调控器调节阀开度,使下一个采样周期温度调控器调节阀开度、湿度调控器调节阀开度分别为:
θa1=z1 0θa_max,
θb1=z2 0θb_max,
通过传感器获取第i个采样周期中的监控物流运输装置的温度T、监管监控物流运输装置的湿度RH,通过进行规格化得到第i个采样周期的输入向量 xi=(x1 i,x2 i),通过BP神经网络的运算得到第i个采样周期的输出向量 zi=(z1 i,z2 i),然后控制温度调控器调节阀开度、湿度调控器调节阀开度,使第i+1个采样周期时温度调控器调节阀开度、湿度调控器调节阀开度分别为:
θa(i+1)=z1 iθa_max,
θb(i+1)=z2 iθb_max,
步骤五、对温度调控器调节阀开度、湿度调控器调节阀开度调节后,控制器通过温度传感器测量监控物流运输装置的温度T、湿度传感器测量监控物流运输装置的湿度RH,对监管系统进行监测数据实时分析处理,对监管系统进行监控。
在另一种实施例中,报警器采用模糊控制模型通过输出报警信号进行控制报警,包括如下步骤:
分别将监控物流运输装置的温度变化率EC1、监控物流运输装置的湿度变化率EC2以及报警概率P转换为模糊论域中的量化等级;将监控物流运输装置的温度变化率EC1以及监控物流运输装置的湿度变化率EC2输入模糊控制模型,模糊控制模型输出为报警概率P,进而进行判断是否报警,报警概率的阈值为0.56~0.61中的一个值,如果报警概率达到设定阈值,判断为报警;在本实施例中,为了保证控制的精度,使其在不同的环境下都能够很好地进行控制,根据反复试验,将阈值确定为0.59。
监控物流运输装置的温度变化率EC1的变化范围为[0,5],监控物流运输装置的湿度变化率EC2的变化范围为[0,20],设定量化因子都为1,因此监控物流运输装置的温度变化率EC1以及监控物流运输装置的湿度变化率EC2的论域分别为[0,5]和[0,20],报警概率的论域为[0,1];为了保证控制的精度,使其在不同的环境下都能够很好地进行控制,根据反复试验,最终将监控物流运输装置的温度变化率EC1的变化范围分为5个等级,模糊集为{ZO,PS, PM,PB,PVB},ZO表示零,PS表示小,PM表示中等,PB表示大,PVB 表示极大;监控物流运输装置的湿度变化率EC2的变化范围分为5个等级,模糊集为{ZO,PS,PM,PB,PVB},ZO表示零,PS表示小,PM表示中等, PB表示大,PVB表示极大;输出的报警概率分为5个等级,模糊集为{S, SM,M,MB,B},S表示小,SM表示较小,M表示中等,MB表示较大, B表示大;隶属函数均选用三角形隶属函数,如图2、3、4所示。
模糊控制模型的控制规则选取经验为:
如果温度变化率EC1为极大,湿度变化率EC2为极大或大,则报警概率为大,即报警器进行报警;
如果温度变化率EC1为小或零,湿度变化率EC2为零,则报警概率为小,即报警器不进行报警;
也就是说,如果报警概率为“小或较小”,则报警器不进行报警;如果报警概率为“大或较大”,则报警器进行报警;如果报警概率为“中等”,则该报警概率为阈值,此种情况,如果监控系统内温度或者湿度稍有变化,则必然会有报警或不报警这两种情况的切换。
具体的模糊控制规则如表1所示。
表1模糊控制规则
在另一种实施例中,当-20≤T≤20,温度调控器的起始调节开度为:
式中,T为监控物流运输装置的温度,单位为℃,TT为物品信息温度,单位为℃,VA为监控物流装置的整体体积,单位为m3,V0为监控物品体积,单位为m3,λ1为温度校正因子,取值范围为0.81~0.85;作为一种优选,在本实施例中,λ1取值为0.83,TT为25℃;并且如果在起始调节开度的过程中,当θa0≥0.93θa_max时,调控温度调控器调节阀的调节开度满足经验值:θa0=0.93θa_max。
在另一种实施例中,当0≤RH≤65,湿度调控器的起始调节开度为:
式中,RH为监控物流运输装置的湿度,单位为%,RHT为物品信息湿度,单位为%,VA为监控物流装置的整体体积,单位为m3,V0为监控物品体积,单位为m3,λ2为湿度校正因子,取值范围为0.79~0.82;作为一种优选,在本实施例中,λ2取值为0.81,RHT为55%;并且如果在起始调节开度的过程中,当θb0≥0.94θb_max时,调控湿度调控器调节阀的调节开度满足经验值:θb0=0.94θb_max。
在另一种实施例中,经过模糊控制输出的报警概率根据外部环境进行校正的得到校正报警概率,步骤二中的控制器接收校正后的报警概率后进行控制报警,当0≤RH≤25时,校正报警概率为:
式中,T为监控物流运输装置的温度,TT为物品信息温度,RH为监控物流运输装置的湿度,RHT为物品信息湿度,VA为监控物流装置的整体体积,V0为监控物品体积;作为一种优选,在本实施例中,TT为25℃,RHT为55%。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (10)
1.一种基于云计算平台的物流监控方法,其特征在于,包括:
步骤一、通过信息采集系统采集监控物品的保存环境,生成监控物品信息,同时通过信息传感器采集监控物流运输装置的温度和湿度,生成温度和湿度信息;
步骤二、控制器接收监控物品信息、温度信息和湿度信息后对温度调控器和湿度调控器进行控制调节和对报警器进行控制报警,并且将调控信息和报警信息数据生成传输;
步骤三、数据传输系统接收调控信息和报警信息并且通过无线网络将信息传输至终端,对该物流监控系统进行监控。
2.如权利要求1所述的基于云计算平台的物流监控方法,其特征在于,在所述步骤二中,采用BP神经网络对对温度调控器和湿度调控器进行控制调节,包括如下步骤:
步骤1、按照采样周期,通过温度传感器测量监控物流运输装置的温度T和湿度传感器测量监控物流运输装置的湿度RH;
步骤2、依次将参数进行规格化,确定三层BP神经网络的输入层向量x={x1,x2};其中,x1为温度系数、x2为湿度系数;
步骤3、所述输入层向量映射到中间层,所述中间层向量y={y1,y2,…,ym};m为中间层节点个数;
步骤4、得到输出层向量z={z1,z2};其中,z1为温度调控器开度调节系数,z2为湿度调控器开度调节系数;
步骤5、控制温度调控器、湿度调控器,使
θa(i+1)=z1 iθa_max,
θb(i+1)=z2 iθb_max,
其中,其中z1 i、z2 i分别为第i个采样周期输出层向量参数,θa_max、θb_max分别为设定的温度调控器的最大开度、湿度调控器的最大开度,θa(i+1)、θb(i+1)、分别为第i+1个采样周期时的温度调控器的开度、湿度调控器的开度。
3.如权利要求2所述的基于云计算平台的物流监控方法,其特征在于,在所述步骤二中,监控物流运输装置的温度T、监控物流运输装置的湿度RH进行规格公式为:
其中,xj为输入层向量中的参数,Xj分别为测量参数T、RH,j=1,2;Xjmax和Xjmin分别为相应测量参数中的最大值和最小值。
4.如权利要求3所述的基于云计算平台的物流监控方法,其特征在于,初始状态下,温度调控器、湿度调控器的调节开度满足经验值:
θa0=0.93θa_max,
θb0=0.94θb_max,
其中,其中z1 i、z2 i分别为第i个采样周期输出层向量参数,θa_max、θb_max分别为设定的温度调控器的最大开度、湿度调控器的最大开度,θa0、θb0分别为温度调控器的初始开度、湿度调控器的初始开度。
5.如权利要求1所述的基于云计算平台的物流监控方法,其特征在于,在所述步骤二中,报警器采用模糊控制模型通过输出报警信号进行控制报警,包括如下步骤:
分别将监控物流运输装置的温度变化率、监控物流运输装置的湿度变化率以及报警概率转换为模糊论域中的量化等级;
将监控物流运输装置的温度变化率、监控物流运输装置的湿度变化率输入模糊控制模型,均分为5个等级;
模糊控制模型输出为所述报警概率,分为5个等级;
根据所述报警概率信号,进而做出控制报警。
6.如权利要求5所述的基于云计算平台的物流监控方法,其特征在于,所述监控物流运输装置的温度变化率的论域为[0,5],所述监控物流运输装置的湿度变化率的论域为[0,20],发报警概率的论域为[0,1],设量化因子都为1,设定报警概率的阈值为0.56~0.61中的一个值;以及
所述监控物流运输装置的温度变化率的模糊集为{ZO,PS,PM,PB,PVB},监控物流运输装置的湿度变化率的模糊集为{ZO,PS,PM,PB,PVB},报警概率的模糊集为{S,SM,M,MB,B};隶属函数均选用三角函数。
7.如权利要求6所述的基于云计算平台的物流监控方法,其特征在于,所述模糊控制模型的控制规则为:
如果温度变化率输入为PVB或者PB,湿度变化率输入为PVB,则报警概率输出为B,则报警器进行报警;
如果温度变化率输入为ZO或PS,湿度变化率输入为ZO,则报警概率输出为S,则报警器不进行报警;
如果报警概率输出为S或SM,则报警器进行报警;如果报警概率输出为B或MB,则报警器不进行报警;如果报警概率输出为M,则报警概率为阈值。
8.如权利要求3所述的基于云计算平台的物流监控方法,其特征在于,当-20≤T≤20,所述温度调控器的起始调节开度为:
式中,T为监控物流运输装置的温度,TT为物品信息温度,VA为监控物流装置的整体体积,V0为监控物品体积,λ1为温度校正因子,取值范围为0.81~0.85;以及
当θa0≥0.93θa_max时,调控温度调控器调节开度满足经验值:θa0=0.93θa_max。
9.如权利要求3所述的基于云计算平台的物流监控方法,其特征在于,当0≤RH≤65,所述湿度调控器的起始调节开度为:
式中,RH为监控物流运输装置的湿度,RHT为物品信息湿度,VA为监控物流装置的整体体积,V0为监控物品体积,λ2为湿度校正因子,取值范围为0.79~0.82;以及
当θb0≥0.94θb_max时,调控湿度调控器的调节开度满足经验值:θb0=0.94θb_max。
10.如权利要求7所述的基于云计算平台的物流监控方法,其特征在于,所述报警概率根据外部环境进行校正的得到校正报警概率,所述步骤二中的控制器接收校正后的报警概率后进行控制报警,当0≤RH≤25时,所述校正报警概率为:
式中,T为监控物流运输装置的温度,TT为物品信息温度,RH为监控物流运输装置的湿度,RHT为物品信息湿度,VA为监控物流装置的整体体积,V0为监控物品体积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910231722.0A CN109948986A (zh) | 2019-03-26 | 2019-03-26 | 一种基于云计算平台的物流监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910231722.0A CN109948986A (zh) | 2019-03-26 | 2019-03-26 | 一种基于云计算平台的物流监控方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109948986A true CN109948986A (zh) | 2019-06-28 |
Family
ID=67010911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910231722.0A Pending CN109948986A (zh) | 2019-03-26 | 2019-03-26 | 一种基于云计算平台的物流监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109948986A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110644977A (zh) * | 2019-09-16 | 2020-01-03 | 中海艾普油气测试(天津)有限公司 | 一种测试用井下小信号接收与发送的控制方法 |
CN111579445A (zh) * | 2020-05-13 | 2020-08-25 | 长春市宇驰检测技术有限公司 | 一种用于焊接工作场所焊接烟尘监测方法 |
CN112702886A (zh) * | 2019-10-22 | 2021-04-23 | 华为技术有限公司 | 一种液冷散热系统、散热控制方法及控制芯片 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004106899A1 (en) * | 2003-05-29 | 2004-12-09 | Nicholas Jackman | Food monitoring system |
CN103176035A (zh) * | 2013-03-05 | 2013-06-26 | 辽宁工业大学 | 一种集装箱在线监测及定位方法 |
CN104359565A (zh) * | 2014-10-17 | 2015-02-18 | 中国农业大学 | 一种冷链运输温度监测与预警的方法及系统 |
CN105319458A (zh) * | 2014-08-05 | 2016-02-10 | 伊顿电力设备有限公司 | 一种电气设备封闭箱体内部温升的监测方法及装置 |
CN107767613A (zh) * | 2017-09-30 | 2018-03-06 | 吉林建筑大学 | 一种通用型的消防控制装置及方法 |
CN109191049A (zh) * | 2018-09-06 | 2019-01-11 | 华夏易通国际物流有限公司 | 一种基于云计算的物流运输监管系统及监管方法 |
KR20190029899A (ko) * | 2017-09-13 | 2019-03-21 | (주)나우티앤에스 | 온도 관리 시스템 및 온도 관리 방법 |
-
2019
- 2019-03-26 CN CN201910231722.0A patent/CN109948986A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004106899A1 (en) * | 2003-05-29 | 2004-12-09 | Nicholas Jackman | Food monitoring system |
CN103176035A (zh) * | 2013-03-05 | 2013-06-26 | 辽宁工业大学 | 一种集装箱在线监测及定位方法 |
CN105319458A (zh) * | 2014-08-05 | 2016-02-10 | 伊顿电力设备有限公司 | 一种电气设备封闭箱体内部温升的监测方法及装置 |
CN104359565A (zh) * | 2014-10-17 | 2015-02-18 | 中国农业大学 | 一种冷链运输温度监测与预警的方法及系统 |
KR20190029899A (ko) * | 2017-09-13 | 2019-03-21 | (주)나우티앤에스 | 온도 관리 시스템 및 온도 관리 방법 |
CN107767613A (zh) * | 2017-09-30 | 2018-03-06 | 吉林建筑大学 | 一种通用型的消防控制装置及方法 |
CN109191049A (zh) * | 2018-09-06 | 2019-01-11 | 华夏易通国际物流有限公司 | 一种基于云计算的物流运输监管系统及监管方法 |
Non-Patent Citations (1)
Title |
---|
李锐 等: "第四方物流多到多弹复性网络设计", 《计算机工程》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110644977A (zh) * | 2019-09-16 | 2020-01-03 | 中海艾普油气测试(天津)有限公司 | 一种测试用井下小信号接收与发送的控制方法 |
CN112702886A (zh) * | 2019-10-22 | 2021-04-23 | 华为技术有限公司 | 一种液冷散热系统、散热控制方法及控制芯片 |
CN111579445A (zh) * | 2020-05-13 | 2020-08-25 | 长春市宇驰检测技术有限公司 | 一种用于焊接工作场所焊接烟尘监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948986A (zh) | 一种基于云计算平台的物流监控方法 | |
Hou et al. | Intelligent remote monitoring and diagnosis of manufacturing processes using an integrated approach of neural networks and rough sets | |
US20090319059A1 (en) | Apparatus and method for model predictive control (mpc) of a nonlinear process | |
Yan et al. | Risk assessment and control of agricultural supply chains under Internet of Things | |
Wu et al. | Supply chain of things: A connected solution to enhance supply chain productivity | |
Sallehuddin et al. | Application of grey relational analysis for multivariate time series | |
CN109191049B (zh) | 一种基于云计算的物流运输监管系统及监管方法 | |
Angelov et al. | Flexible models with evolving structure | |
Ashfahani et al. | An online RFID localization in the manufacturing shopfloor | |
Reyes Levalle et al. | Collaborative production line control: Minimisation of throughput variability and WIP | |
Xu et al. | A multi-object decision-making method for location model of manufacturing industry under uncertain environment | |
Amin-Naseri et al. | Neural network approach to lumpy demand forecasting for spare parts in process industries | |
Pemathilake et al. | Sales forecasting based on autoregressive integrated moving average and recurrent neural network hybrid model | |
Nasiri Pour et al. | A hybrid neural network and traditional approach for forecasting lumpy demand | |
Chołodowicz et al. | Control of perishable inventory system with uncertain perishability process using neural networks and robust multicriteria optimization | |
Yoo et al. | Service level management of nonstationary supply chain using direct neural network controller | |
Chen | Analyzing and forecasting the global CO2 concentration-a collaborative fuzzy-neural agent network approach | |
Baptista et al. | Aircraft on-condition reliability assessment based on data-intensive analytics | |
CN111310964B (zh) | 一种负荷预测方法及装置 | |
Andriyanto et al. | Auto purchase order system between retailer and distributor | |
Juutilainen et al. | Density forecasting for failure probability in manufacturing | |
Ren et al. | Optimization with fuzzy linear programming and fuzzy knowledge base | |
CN109919556A (zh) | 基于数字化云计算监测物流运输系统及方法 | |
EP4141596A1 (en) | Method of transmitting process data to a machine learning application | |
Mieszkowicz-Rolka et al. | The concept of fuzzy linguistic labels for studying decision systems in air transportation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190628 |