CN111553518B - 基于供应链追溯体系的小麦加工优化方法及装置 - Google Patents
基于供应链追溯体系的小麦加工优化方法及装置 Download PDFInfo
- Publication number
- CN111553518B CN111553518B CN202010323985.7A CN202010323985A CN111553518B CN 111553518 B CN111553518 B CN 111553518B CN 202010323985 A CN202010323985 A CN 202010323985A CN 111553518 B CN111553518 B CN 111553518B
- Authority
- CN
- China
- Prior art keywords
- wheat
- supply chain
- data
- index data
- processing
- 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.)
- Active
Links
- 241000209140 Triticum Species 0.000 title claims abstract description 423
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 423
- 238000012545 processing Methods 0.000 title claims abstract description 206
- 238000005457 optimization Methods 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 104
- 238000004519 manufacturing process Methods 0.000 claims abstract description 130
- 230000008569 process Effects 0.000 claims abstract description 47
- 230000008901 benefit Effects 0.000 claims abstract description 38
- 238000004088 simulation Methods 0.000 claims abstract description 18
- 238000003754 machining Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims description 32
- 238000012216 screening Methods 0.000 claims description 25
- 230000004927 fusion Effects 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 4
- 235000013339 cereals Nutrition 0.000 abstract description 5
- 239000000047 product Substances 0.000 description 84
- 238000005265 energy consumption Methods 0.000 description 22
- 235000013312 flour Nutrition 0.000 description 21
- 230000014509 gene expression Effects 0.000 description 15
- 238000003860 storage Methods 0.000 description 9
- 239000012535 impurity Substances 0.000 description 7
- 238000003801 milling Methods 0.000 description 7
- 239000000843 powder Substances 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000012271 agricultural production Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000000556 factor analysis Methods 0.000 description 4
- 239000003337 fertilizer Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003306 harvesting Methods 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000001134 F-test Methods 0.000 description 2
- 239000006227 byproduct Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 235000015099 wheat brans Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Finance (AREA)
- Cereal-Derived Products (AREA)
Abstract
本发明涉及粮食加工技术领域,公开了一种基于供应链追溯体系的小麦加工优化方法及装置,该方法包括:获取小麦产品对应的小麦供应链信息和小麦供应链数据;根据所述小麦供应链信息和所述小麦供应链数据确定目标追溯数据库;从所述目标追溯数据库中选取所述小麦产品对应的目标指标数据;根据所述目标指标数据,通过预设加工仿真模型获得优化指标数据;根据所述优化指标数据确定小麦生产加工优化策略,并根据所述小麦生产加工优化策略对所述小麦产品的生产加工过程进行优化。本实施例通过预设加工仿真模型获得优化指标数据,并根据优化指标数据确定小麦加工优化策略,从而全面的控制小麦产品的生产效益。
Description
技术领域
本发明涉及粮食加工技术领域,尤其涉及一种基于供应链追溯体系的小麦加工优化方法及装置。
背景技术
目前,大部分小麦加工企业针对本企业的生产加工过程的优化控制是片面性,仅仅从某一个环节、方向分析和优化控制生产加工过程中的某一层次。所以仅仅从某一个环节、方向分析和优化控制生产加工过程中的某一层次获取相关产品数据是不全面、不客观、不可信的。因此,如何获取有效的产品指标数据,并根据有效的产品指标数据控制小麦产品的生产效益是亟待解决的技术问题。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种基于供应链追溯体系的小麦加工优化方法及装置,旨在解决如何全面获取有效的产品指标数据,并根据有效的产品指标数据控制小麦产品生产效益的技术问题。
为实现上述目的,本发明提供一种基于供应链追溯体系的小麦加工优化方法,所述基于供应链追溯体系的小麦加工优化方法包括以下步骤:
获取小麦产品对应的小麦供应链信息和小麦供应链数据;
根据所述小麦供应链信息和所述小麦供应链数据确定目标追溯数据库;
从所述目标追溯数据库中选取所述小麦产品对应的目标指标数据;
根据所述目标指标数据,通过预设加工仿真模型获得优化指标数据;
根据所述优化指标数据确定小麦生产加工优化策略,并根据所述小麦生产加工优化策略对所述小麦产品的生产加工过程进行优化。
优选地,所述根据所述小麦供应链信息和所述小麦供应链数据确定目标追溯数据库的步骤,包括:
根据所述小麦供应链信息确定小麦供应链追溯体系;
通过所述小麦供应链追溯体系对所述小麦供应链数据进行筛选,获得关键指标数据;
根据所述关键指标数据建立初始追溯数据库;
根据所述初始追溯数据库,通过数据预处理法获得目标追溯数据库。
优选地,所述根据所述小麦供应链信息确定小麦供应链追溯体系的步骤,包括:
根据所述小麦供应链信息确定小麦供应链环节;
根据预设要素分析模型确定所述小麦供应链环节对应的要素层,并根据预设指标分析模型确定所述要素层的追溯指标;
根据所述小麦供应链环节、所述要素层以及所述追溯指标建立小麦供应链追溯体系。
优选地,所述通过所述小麦供应链追溯体系对所述小麦供应链数据进行筛选,获得关键指标数据的步骤,包括:
根据所述小麦供应链追溯体系对所述小麦供应链数据进行数据提取,获得初始追溯指标数据;
对所述初始追溯指标数据进行数据融合,获得完整数据;
根据预设筛选模型对所述完整数据进行筛选,获得关键指标数据。
优选地,所述从所述目标追溯数据库中选取所述小麦产品对应的目标指标数据的步骤,包括:
获取所述目标追溯数据库中的关键指标数据;
判断所述关键指标数据是否满足预设条件;
若所述关键指标数据满足所述预设条件,则对所述关键指标数据进行多因素方差分析得到所述小麦产品对应的目标指标数据。
优选地,所述判断所述关键指标数据是否满足预设条件的步骤之后,还包括:
若所述关键指标数据不满足所述预设条件,则对所述关键指标数据进行相关性分析,以获得分析结果。
优选地,所述根据所述优化指标数据确定小麦生产加工优化策略,并根据所述小麦生产加工优化策略对所述小麦产品的生产加工过程进行优化的步骤,包括:
对所述目标指标数据进行规律分析确定控制变量;
根据所述优化指标数据和所述控制变量建立预设优化模型;
根据所述优化指标数据,通过所述预设优化模型获得小麦生产加工优化策略;
并根据所述小麦生产加工优化策略对所述小麦产品的生产加工过程进行优化。
此外,为实现上述目的,本发明还提出一种基于供应链追溯体系的小麦加工优化装置,所述基于供应链追溯体系的小麦加工优化装置包括:获取模块,用于获取小麦产品的小麦供应链信息和小麦供应链数据;
确定模块,用于根据所述小麦供应链信息和所述小麦供应链数据确定目标追溯数据库;
选取模块,用于从所述目标追溯数据库中选取所述小麦产品对应的目标指标数据;
获得模块,用于根据所述目标指标数据,通过预设加工仿真模型获得优化指标数据;
加工模块,用于根据所述优化指标数据确定小麦生产加工优化策略,并根据所述小麦生产加工优化策略对所述小麦产品的生产加工过程进行优化。
优选地,所述确定模块,还用于根据所述小麦供应链信息确定小麦供应链追溯体系;
所述确定模块,还用于通过所述小麦供应链追溯体系对所述小麦供应链数据进行筛选,获得关键指标数据;
所述确定模块,还用于根据所述关键指标数据建立初始追溯数据库;
所述确定模块,还用于根据所述初始追溯数据库,通过数据预处理法获得目标追溯数据库。
优选地,所述确定模块,还用于根据所述小麦供应链信息确定小麦供应链环节;
所述确定模块,还用于根据预设要素分析模型确定所述小麦供应链环节对应的要素层,并根据预设指标分析模型确定所述要素层的追溯指标;
所述确定模块,还用于根据所述小麦供应链环节、所述要素层以及所述追溯指标建立小麦供应链追溯体系。
本发明中,先获取小麦产品对应的小麦供应链信息和小麦供应链数据,然后根据所述小麦供应链信息和所述小麦供应链数据确定目标追溯数据库,从所述目标追溯数据库中选取所述小麦产品对应的目标指标数据,之后根据所述目标指标数据,通过预设加工仿真模型获得优化指标数据,最后根据所述优化指标数据确定小麦生产加工优化策略,并根据所述小麦生产加工优化策略对所述小麦产品的生产加工过程进行优化,从而能够全面收集小麦产品加工过程中的指标数据,并根据指标数据确定小麦产品加工的优化方法。
附图说明
图1为本发明基于供应链追溯体系的小麦加工优化方法第一实施例的流程示意图;
图2为本发明基于供应链追溯体系的小麦加工优化方法第一实施例中目标追溯数据库的一种表现形式;
图3为本发明基于供应链追溯体系的小麦加工优化方法第一实施例中小麦供应链环节的一种表现形式;
图4为本发明基于供应链追溯体系的小麦加工优化方法第二实施例的流程示意图;
图5为本发明基于供应链追溯体系的小麦加工优化装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明基于供应链追溯体系的小麦加工优化方法第一实施例的流程示意图,提出本发明基于供应链追溯体系的小麦加工优化方法第一实施例。
在第一实施例中,所述基于供应链追溯体系的小麦加工优化方法包括以下步骤:
步骤S10:获取小麦产品对应的小麦供应链信息和小麦供应链数据。
应理解的是,本实施例的执行主体是基于供应链追溯体系的小麦加工优化设备,其中,所述基于供应链追溯体系的小麦加工优化设备可以是获取小麦供应链信息和小麦供应链数据,根据小麦供应链信息和所述小麦供应链数据生成追溯数据库,并从所述追溯数据库中选取指标数据的移动终端、电脑或服务器等电子设备。
需要说明的是,所述小麦供应链信息可以是小麦加工企业生成面粉时存入的供应链信息;所述小麦供应链数据可以是小麦加工企业生成面粉时存入的供应链数据,本实施例并不加以限制。
步骤S20:根据所述小麦供应链信息和所述小麦供应链数据确定目标追溯数据库。
根据所述小麦供应链信息和所述小麦供应链数据确定目标追溯数据库的步骤为根据所述小麦供应链信息确定小麦供应链追溯体系,然后通过所述小麦供应链追溯体系对所述小麦供应链数据进行筛选,获得关键指标数据,之后根据所述关键指标数据建立初始追溯数据库,并根据所述初始追溯数据库,最后通过数据预处理法获得目标追溯数据库,参考图2,所述图2为目标追溯数据库的一种表现形式。
其中,所述根据所述小麦供应链信息确定小麦供应链追溯体系的步骤为根据所述小麦供应链信息确定小麦供应链环节,然后根据预设要素分析模型确定所述小麦供应链环节对应的要素层,并根据预设指标分析模型确定所述要素层的追溯指标,之后根据所述小麦供应链环节、所述要素层以及所述追溯指标建立小麦供应链追溯体系。
上述所提到的预设要素分析模型和预设指标分析模型分别根据相关要素数据和指标数据进行分析所涉及的模型。
然而,关于通过所述小麦供应链追溯体系对所述小麦供应链数据进行筛选,获得关键指标数据的步骤为根据所述小麦供应链追溯体系对所述小麦供应链数据进行数据提取,获得初始追溯指标数据,对所述初始追溯指标数据进行数据融合,获得完整数据,根据预设筛选模型对所述完整数据进行筛选,获得关键指标数据。
也就是说,本实施例中首先确定整个小麦供应链系统即供应链追溯体系,然后确定整个供应链系统中各环节的影响因素。并设计各供应链中的相关追溯指标及层次结构,其次找出整个供应链环节所有指标,并采用逐步筛选法找出该小麦加工企业生产效益的主要指标,收集各批次生产加工产品的主要指标数据,并对数据进行预处理得到高质量的数据库即目标追溯数据库。
以下为举例说明:
一、小麦加工企业的供应链环节:
根据该小麦加工企业的生产效益,确定整个小麦加工过程的供应链系统。并将整个小麦经济系统分为:(1)小麦产前系统;(2)小麦加工系统;(3)小麦产后系统。
其中,小麦供应链环节可以是小麦产品从种植到销售的所有环节,例如,小麦供应链环节可以是种植环节、收获环节、运输环节、收购环节、仓储环节、加工环节及销售环节等,参考图3,所述图3为小麦供应链环节的一种表现形式。
仓储环节包括收购环节后的小麦的仓储和加工环节后面粉的仓储;运输环节包括小麦、加工产物和面粉的物质转移,其中小麦产前系统为小麦生产提供必需的生产要素,包括土地、资金、劳动力、技术、信息、农业生产资料以及农业生产基本条件(如水利、电力)等。
并且,小麦生产系统将这些要素进行组合和配置,转化为一定的小麦产品;小麦产后系统是将小麦产品收获再转化为最终消费品的一个系统。
二、根据该小麦加工企业的生产效益以及整个小麦加工过程的供应链系统,确定整个供应链系统中各环节的影响因素,并参考表1,表1为供应链环节及各环节影响因素。
表1
三、根据该小麦加工企业的生产效益以及整个供应链环节因素,设计各供应链中的相关追溯指标及层次结构,并根据该企业的供应链追溯体系,收集各批次小麦在供应链中的所有相关追溯指标数据,通过数据融合得到各批次制品在供应链不同环节中的完整数据。
(1)供应链追溯体系中的供应链整个环节层,其供应链全环节层数学表达形式为:
{X1,X2,…,Xn}
其中Xn为生产加工产品中第n层供应链环节。主要分为以下8层,其中X1表示种植环节,以此类推。
(2)分析并确定各供应链环节中可能对该小麦加工企业生产效益产生影响的因素,其供应链不同环节X层下的因素层x表达形式为:
{Xn,xn0,xn1,…,xnk}
其中xn0为小麦在第n层供应链环节的基本信息层,xn1...xnk为供应链环节第n层中可能对该小麦加工企业生产效益产生影响的k个因素层。例如X5表示加工环节,xn1...xnk表示毛麦、净麦、制粉、配粉、加工工艺、加工时间、加工量、小麦品质、小麦处理等因素。
(3)设计供应链各环节中基本信息层和因素层的追溯指标,其供应链不同环节下的不同因素追溯指标层z表达形式为:
{zn1l1,zn2l2,…,znklk}
其中znl1为供应链第n个环节中,对该小麦加工企业生产效益产生影响的第l个因素层中的追溯指标合集。例如,出品率减少主要在加工环节,并直接影响企业的生产效益,通过供应链追溯系统能找出是加工环节哪些因素导致了出品率的减少。其中追溯指标层为z51l5。
(4)结合步骤(1)、步骤(2)和步骤(3)建立该小麦加工企业生产加工产品的供应链追溯体系,则其总表达形式为:
{X1,X2,…,Xn}
{x10,x11,…,x1k},{x20,x21,…,x2k},…{xn0,xn1,…,xnk}
根据小麦加工企业的追溯体系中追溯指标层的的追溯指标设计该小麦加工企业的追溯数据库,收集各批次小麦在各供应链中的所有相关追溯指标数据,通过数据融合得到各批次小麦在不同供应链中的完整数据,并录入产品追溯数据库。数据库的表格表达形式如下表所示,其中供应链环节1的基本信息有lk个追溯指标。
对于各批次生产加工小麦在各供应链环节追溯信息的数据整合,需要用到数据融合技术,通过将不同供应链环节的相关数据在不同的时间点和空间点上进行有针对性地关联级融合、特征级融合以及需求级融等处理,得到完整的小麦加工企业的产品追溯数据库,之后,并对追溯数据库中数据进行数据预处理,检查数据库中数据是否存在数据缺漏、数据重复,数据明显错误等,从而得到高质量的数据库即目标追溯数据库。
四、根据以上整个供应链环节所有指标,利用逐步筛选法找出该小麦加工企业生产效益的主要指标,收集各批次生产加工产品的主要指标数据,设计且录入该企业的数据库。各环节指标表达式如下:
{x10,x11,…,x1k},{x20,x21,…,x2k},…{xn0,xn1,…,xnk}
逐步筛选法的主要思想:从各环节众多的指标中筛选出一组必要的且具有代表性的指标,共有p(p=n*k)个指标,从中选取一个与其他指标最不相关的指标xni(表明该指标不能由其他指标代替)。再在剩余的p-1个指标中,再选出一个与xni最不相关的指标xnj,将(xni,xnj)联合起来。从剩余的p-2个指标中选取与最不相关的指标,如此下去直至剩余的指标p-m个指标均与选取的个指标密切相关为止,说明剩余的m个指标可以由选取的个指标所“代替”。其主要指标表达形式为:
{α1,α2,…,αm}{β1,β2,…,βn}…{χ1,χ2,χq}
最后,对主要指标追溯数据库中的数据进行数据预处理,得到高质量的数据库。
步骤S30:从所述目标追溯数据库中选取所述小麦产品对应的目标指标数据。
所述从所述目标追溯数据库中选取所述小麦产品对应的目标指标数据的步骤为获取所述目标追溯数据库中的关键指标数据,判断所述关键指标数据是否满足预设条件,若所述关键指标数据满足所述预设条件,则对所述关键指标数据进行多因素方差分析得到所述小麦产品对应的目标指标数据。
并且,所述判断所述关键指标数据是否满足预设条件的步骤之后,若所述关键指标数据不满足所述预设条件,则对所述关键指标数据进行相关性分析,以获得分析结果。
也就是说,所述预设条件为供应链不同环节存在不同水平,由于影响供应链各个环节的指标(因素)众多,如果供应链不同环节存在不同水平,则进行多因素方差分析。
其中主要分为不可控的因素(如种植环节的环境因素),和可控因素(例如种植环节不同施肥量、不同品种对农作物产量显著性水平)。进行F检验,判断显著性水平。假设:Ai表示第i种肥料,Bj表示第种种子,xij表示第j种种子在施第i种化肥后的产量。再进行F检验,判断显著性。
原理:计算F统计量,进行F检验。F统计量是平均组间平方和与组内平方和的比。
其中SSA为组间平方和,SSE为组内平方和。根据F值,如果控制变量的不同水平对观测变量有显著影响,那观测变量的组间离差平方和就大,F值也大;反之则F值比较小。显著性系数sig<0.05时,则认为控制不同水平下对观测变量有显著影响。(例如不同施肥量、不同品种对农作物产量达到了极显著水平,则说明农作物产量主要是由施肥量、品种、以及两者相互作用来决定的。)继续进行多因素分析,最后得出哪种品种与哪种水平的施肥量是提高农作物产量的最优组合。若不可以分为不同水平,则进行相关性分析。
步骤S40:根据所述目标指标数据,通过预设加工仿真模型获得优化指标数据。
根据各供应链环节中关键指标建立加工仿真模型,并根据小麦加工企业的生产效益产生影响的基本信息和影响因素的影响规律,确定供应链中影响企业生产效益的优化指标。
上述所提到的预设加工仿真模型可根据加工产品对应环节中关键指标进行建立,本实施例并不加以限制。
此外,小麦加工企业的生产效益影响因素主要有以下几种:
毛麦、净麦选择阶段:根据不同毛麦和其所含杂质在大小、密度、形状、空气阻力和摩擦冲击方面的特性差异,需要采用不同的工艺和设备(如风机的风速大小,筛网大小)除去杂质;并根据最佳加工效果所需的条件进行水分调节。
制粉阶段:该阶段小麦的品种以及加工设备的工作参数:辊间压力、线速、线速比等将会影响工艺效果,同时制粉强度将会直接影响小麦的出粉率、电耗。
配粉阶段:考虑市场需求、成本控制等因素配粉,增加小麦使用价值,增大企业盈利空间。
副产品利用阶段:对加工过程中产生的麦麸进行处理用于食用、入药、饲料原料、酿酒等。
步骤S50:根据所述优化指标数据确定小麦生产加工优化策略,并根据所述小麦生产加工优化策略对所述小麦产品的生产加工过程进行优化。
所述根据所述优化指标数据确定小麦生产加工优化策略,并根据所述小麦生产加工优化策略对所述小麦产品的生产加工过程进行优化的步骤为对所述目标指标数据进行规律分析确定控制变量,根据所述优化指标数据和所述控制变量建立预设优化模型,根据所述优化指标数据,通过所述预设优化模型获得小麦生产加工优化策略,并根据所述小麦生产加工优化策略对所述小麦产品的生产加工过程进行优化。
也就是说,引入控制变量,建立优化模型,最后得到最优控制方法,从而全面化的优化控制该小麦加工企业的生产效益。
以下为优化控制的三个方面:
(1)最优控制问题,主要体现在调整设备操作参数,使系统经济指标达到最优;
(2)企业最大利润、最小能耗、出粮率高;
(3)产品市场满意度好。
假设毛麦、净麦选择阶段的各项工作参数为x1i,得出净小麦和杂质分别为xi,yj,电耗为wi。其它各设备也如下表所示。调节各设备工作参数使能耗最小,并能分析出各设备工作参数(控制变量)对能耗的影响。假如某一设备电耗出现异常,通过该追溯系统能快速的调整毛麦、净麦选择阶段的工作参数,并参考表2,所述表2为各项工作参数表。
表2
设总利润a,出品率b,单位生产成本c。则目标函数总利润最大的模型为:
amax(maxab,minac)max
多目标优化模型为:
P1:max P
P2:min Wi i=1,2,3,4,5,6
其中P为总利润,Wi为加工过程各阶段能耗(例如为小麦清理筛能耗)。x1i i=1,2为毛麦、净麦选择阶段中的工作参数(风机的风速大小,筛网大小);x2i i=1,2,3,4为制粉阶段中小麦品种和加工设备的工作参数(辊间压力、线速、线速比);x31为制粉强度;x41为成品面粉整理阶段相关参数。其中cij为各阶段指标参数值。通过该优化模型,为了满足以上目标,可以动态的调整各环节工作参数。
通过该追溯系统,分析各加工环节设备的工作参数(控制变量)对能耗的影响,并快速调整加工环节的工作参数,使能耗最小化,并在满足总利润最大化的基础上,动态调整各环节工作参数,得出最优控制方法,从而全面化的优化控制该小麦加工企业的生产效益,并且,一旦某个供应链环节出现问题,该系统能够从出问题的环节进行全方位追溯,并得到可能出现问题的相关环节,进而对相关环节的相关指标或相关参数进行优化控制,从而使整个供应链追溯信息系统实现全局最优。
在第一实施例中,获取小麦产品对应的小麦供应链信息和小麦供应链数据,根据所述小麦供应链信息和所述小麦供应链数据确定目标追溯数据库,从所述目标追溯数据库中选取所述小麦产品对应的目标指标数据,根据所述目标指标数据,通过预设加工仿真模型获得优化指标数据,根据所述优化指标数据确定小麦生产加工优化策略,并根据所述小麦生产加工优化策略对所述小麦产品的生产加工过程进行优化,本实施例根据供应链追溯体系,收集各环节在供应链中的所有相关追溯指标数据,通过数据融合法和逐步筛选法找出该小麦加工企业生产效益的目标指标数据,然后根据所述目标指标数据能够得到高质量目标追溯数据库,之后通过预设加工仿真模型获得优化指标数据,根据所述优化指标数据确定小麦生产加工优化策略,并根据所述小麦生产加工优化策略对所述小麦产品的生产加工过程进行优化,从而在全面收集小麦产品在不同供应链环节的关键数据的同时,控制小麦产品加工的生产效益。
参照图4,图4为本发明基于供应链追溯体系的小麦加工优化方法第二实施例的流程示意图,基于上述图1所示的第一实施例,提出本发明基于供应链追溯体系的小麦加工优化方法的第二实施例。
在第二实施例中,所述步骤S50,包括:
步骤S501:对所述目标指标数据进行规律分析确定控制变量。
步骤S502:根据所述优化指标数据和所述控制变量建立预设优化模型。
步骤S503:根据所述优化指标数据,通过所述预设优化模型获得小麦生产加工优化策略。
步骤S504:根据所述小麦生产加工优化策略对所述小麦产品的生产加工过程进行优化。
所述根据所述优化指标数据确定小麦生产加工优化策略,并根据所述小麦生产加工优化策略对所述小麦产品的生产加工过程进行优化的步骤为对所述目标指标数据进行规律分析确定控制变量,根据所述优化指标数据和所述控制变量建立预设优化模型,根据所述优化指标数据,通过所述预设优化模型获得小麦生产加工优化策略,并根据所述小麦生产加工优化策略对所述小麦产品的生产加工过程进行优化。
其中,通过该追溯系统,能分析出各设备工作参数(控制变量)对能耗的影响,并快速调整加工环节的工作参数,设置目标函数,动态调整各环节工作参数,得出最优控制方法,从而全面化的优化控制该小麦加工企业的生产效益。
以下为优化控制的三个方面:
(1)最优控制问题,主要体现在调整设备操作参数,使系统经济指标达到最优;
(2)企业最大利润、最小能耗、出粮率高;
(3)产品市场满意度好。
假设毛麦、净麦选择阶段的各项工作参数为x1i,得出净小麦和杂质分别为xi,yj,电耗为wi。其它各设备也如下表所示。调节各设备工作参数使能耗最小,并能分析出各设备工作参数(控制变量)对能耗的影响。假如某一设备电耗出现异常,通过该追溯系统能快速的调整毛麦、净麦选择阶段的工作参数,并参考表2,所述表2为各项工作参数表。
表2
设总利润a,出品率b,单位生产成本c。则目标函数总利润最大的模型为:
amax(maxab,minac)max
多目标优化模型为:
P1:max P
P2:min Wi i=1,2,3,4,5,6
其中P为总利润,Wi为加工过程各阶段能耗(例如为小麦清理筛能耗)。x1i i=1,2为毛麦、净麦选择阶段中的工作参数(风机的风速大小,筛网大小);x2i i=1,2,3,4为制粉阶段中小麦品种和加工设备的工作参数(辊间压力、线速、线速比);x31为制粉强度;x41为成品面粉整理阶段相关参数。其中cij为各阶段指标参数值。通过该优化模型,为了满足以上目标,可以动态的调整各环节工作参数。
通过该追溯系统,分析各加工环节设备的工作参数(控制变量)对能耗的影响,并快速调整加工环节的工作参数,使能耗最小化,并在满足总利润最大化的基础上,动态调整各环节工作参数,得出最优控制方法,从而全面化的优化控制该小麦加工企业的生产效益,并且,一旦某个供应链环节出现问题,该系统能够从出问题的环节进行全方位追溯,并得到可能出现问题的相关环节,进而对相关环节的相关指标或相关参数进行优化控制,从而使整个供应链追溯信息系统实现全局最优。
在第二实施例中,对所述目标指标数据进行规律分析确定控制变量,根据所述优化指标数据和所述控制变量建立预设优化模型,根据所述优化指标数据,通过所述预设优化模型获得小麦生产加工优化策略,并根据所述小麦生产加工优化策略对所述小麦产品的生产加工过程进行优化,本实施例中,通过规律分析确定控制变量,并建立预设优化模型,从而通过该追溯系统能够快速调整加工过程中设备的工作参数,并得出最优控制方法,以控制该小麦加工企业的生产效益。
此外,参照图5,本发明实施例还提出一种基于供应链追溯体系的小麦加工优化装置,所述基于供应链追溯体系的小麦加工优化装置包括:获取模块5001,用于获取小麦产品的小麦供应链信息和小麦供应链数据;确定模块5002,用于根据所述小麦供应链信息和所述小麦供应链数据确定目标追溯数据库;选取模块5003,用于从所述目标追溯数据库中选取所述小麦产品对应的目标指标数据;获得模块5004,用于根据所述目标指标数据,通过预设加工仿真模型获得优化指标数据;加工模块5005,用于根据所述优化指标数据确定小麦生产加工优化策略,并根据所述小麦生产加工优化策略对所述小麦产品的生产加工过程进行优化。
所述获取模块5001,用于获取小麦产品的小麦供应链信息和小麦供应链数据的操作。
应理解的是,本实施例的执行主体是基于供应链追溯体系的小麦加工优化设备,其中,所述基于供应链追溯体系的小麦加工优化设备可以是获取小麦供应链信息和小麦供应链数据,根据小麦供应链信息和所述小麦供应链数据生成追溯数据库,并从所述追溯数据库中选取指标数据的移动终端、电脑或服务器等电子设备。
需要说明的是,所述小麦供应链信息可以是小麦加工企业生成面粉时存入的供应链信息;所述小麦供应链数据可以是小麦加工企业生成面粉时存入的供应链数据,本实施例并不加以限制。
所述确定模块5002,用于根据所述小麦供应链信息和所述小麦供应链数据确定目标追溯数据库的操作。
根据所述小麦供应链信息和所述小麦供应链数据确定目标追溯数据库的步骤为根据所述小麦供应链信息确定小麦供应链追溯体系,然后通过所述小麦供应链追溯体系对所述小麦供应链数据进行筛选,获得关键指标数据,之后根据所述关键指标数据建立初始追溯数据库,并根据所述初始追溯数据库,最后通过数据预处理法获得目标追溯数据库,参考图2,所述图2为目标追溯数据库的一种表现形式。
其中,所述根据所述小麦供应链信息确定小麦供应链追溯体系的步骤为根据所述小麦供应链信息确定小麦供应链环节,然后根据预设要素分析模型确定所述小麦供应链环节对应的要素层,并根据预设指标分析模型确定所述要素层的追溯指标,之后根据所述小麦供应链环节、所述要素层以及所述追溯指标建立小麦供应链追溯体系。
上述所提到的预设要素分析模型和预设指标分析模型分别根据相关要素数据和指标数据进行分析所涉及的模型。
然而,关于通过所述小麦供应链追溯体系对所述小麦供应链数据进行筛选,获得关键指标数据的步骤为根据所述小麦供应链追溯体系对所述小麦供应链数据进行数据提取,获得初始追溯指标数据,对所述初始追溯指标数据进行数据融合,获得完整数据,根据预设筛选模型对所述完整数据进行筛选,获得关键指标数据。
也就是说,本实施例中首先确定整个小麦供应链系统即供应链追溯体系,然后确定整个供应链系统中各环节的影响因素。并设计各供应链中的相关追溯指标及层次结构,其次找出整个供应链环节所有指标,并采用逐步筛选法找出该小麦加工企业生产效益的主要指标,收集各批次生产加工产品的主要指标数据,并对数据进行预处理得到高质量的数据库即目标追溯数据库。
以下为举例说明:
一、小麦加工企业的供应链环节:
根据该小麦加工企业的生产效益,确定整个小麦加工过程的供应链系统。并将整个小麦经济系统分为:(1)小麦产前系统;(2)小麦加工系统;(3)小麦产后系统。
其中,小麦供应链环节可以是小麦产品从种植到销售的所有环节,例如,小麦供应链环节可以是种植环节、收获环节、运输环节、收购环节、仓储环节、加工环节及销售环节等,参考图3,所述图3为小麦供应链环节的一种表现形式。
仓储环节包括收购环节后的小麦的仓储和加工环节后面粉的仓储;运输环节包括小麦、加工产物和面粉的物质转移,其中小麦产前系统为小麦生产提供必需的生产要素,包括土地、资金、劳动力、技术、信息、农业生产资料以及农业生产基本条件(如水利、电力)等。
并且,小麦生产系统将这些要素进行组合和配置,转化为一定的小麦产品;小麦产后系统是将小麦产品收获再转化为最终消费品的一个系统。
二、根据该小麦加工企业的生产效益以及整个小麦加工过程的供应链系统,确定整个供应链系统中各环节的影响因素,并参考表1,表1为供应链环节及各环节影响因素。
表1
三、根据该小麦加工企业的生产效益以及整个供应链环节因素,设计各供应链中的相关追溯指标及层次结构,并根据该企业的供应链追溯体系,收集各批次小麦在供应链中的所有相关追溯指标数据,通过数据融合得到各批次制品在供应链不同环节中的完整数据。
(1)供应链追溯体系中的供应链整个环节层,其供应链全环节层数学表达形式为:
{X1,X2,…,Xn}
其中Xn为生产加工产品中第n层供应链环节。主要分为以下8层,其中X1表示种植环节,以此类推。
(2)分析并确定各供应链环节中可能对该小麦加工企业生产效益产生影响的因素,其供应链不同环节X层下的因素层x表达形式为:
{Xn,xn0,xn1,…,xnk}
其中xn0为小麦在第n层供应链环节的基本信息层,xn1...xnk为供应链环节第n层中可能对该小麦加工企业生产效益产生影响的k个因素层。例如X5表示加工环节,xn1...xnk表示毛麦、净麦、制粉、配粉、加工工艺、加工时间、加工量、小麦品质、小麦处理等因素。
(3)设计供应链各环节中基本信息层和因素层的追溯指标,其供应链不同环节下的不同因素追溯指标层z表达形式为:
{zn1l1,zn2l2,…,znklk}
其中znl1为供应链第n个环节中,对该小麦加工企业生产效益产生影响的第l个因素层中的追溯指标合集。例如,出品率减少主要在加工环节,并直接影响企业的生产效益,通过供应链追溯系统能找出是加工环节哪些因素导致了出品率的减少。其中追溯指标层为z51l5。
(4)结合步骤(1)、步骤(2)和步骤(3)建立该小麦加工企业生产加工产品的供应链追溯体系,则其总表达形式为:
{X1,X2,…,Xn}
{x10,x11,…,x1k},{x20,x21,…,x2k},…{xn0,xn1,…,xnk}
根据小麦加工企业的追溯体系中追溯指标层的的追溯指标设计该小麦加工企业的追溯数据库,收集各批次小麦在各供应链中的所有相关追溯指标数据,通过数据融合得到各批次小麦在不同供应链中的完整数据,并录入产品追溯数据库。数据库的表格表达形式如下表所示,其中供应链环节1的基本信息有lk个追溯指标。
对于各批次生产加工小麦在各供应链环节追溯信息的数据整合,需要用到数据融合技术,通过将不同供应链环节的相关数据在不同的时间点和空间点上进行有针对性地关联级融合、特征级融合以及需求级融等处理,得到完整的小麦加工企业的产品追溯数据库,之后,并对追溯数据库中数据进行数据预处理,检查数据库中数据是否存在数据缺漏、数据重复,数据明显错误等,从而得到高质量的数据库即目标追溯数据库。
四、根据以上整个供应链环节所有指标,利用逐步筛选法找出该小麦加工企业生产效益的主要指标,收集各批次生产加工产品的主要指标数据,设计且录入该企业的数据库。各环节指标表达式如下:
{x10,x11,…,x1k},{x20,x21,…,x2k},…{xn0,xn1,…,xnk}
逐步筛选法的主要思想:从各环节众多的指标中筛选出一组必要的且具有代表性的指标,共有p(p=n*k)个指标,从中选取一个与其他指标最不相关的指标xni(表明该指标不能由其他指标代替)。再在剩余的p-1个指标中,再选出一个与xni最不相关的指标xnj,将(xni,xnj)联合起来。从剩余的p-2个指标中选取与最不相关的指标,如此下去直至剩余的指标p-m个指标均与选取的个指标密切相关为止,说明剩余的m个指标可以由选取的个指标所“代替”。其主要指标表达形式为:
{α1,α2,…,αm}{β1,β2,…,βn}…{χ1,χ2,χq}
最后,对主要指标追溯数据库中的数据进行数据预处理,得到高质量的数据库。
所述选取模块5003,用于从所述目标追溯数据库中选取所述小麦产品对应的目标指标数据的操作。
所述从所述目标追溯数据库中选取所述小麦产品对应的目标指标数据的步骤为获取所述目标追溯数据库中的关键指标数据,判断所述关键指标数据是否满足预设条件,若所述关键指标数据满足所述预设条件,则对所述关键指标数据进行多因素方差分析得到所述小麦产品对应的目标指标数据。
并且,所述判断所述关键指标数据是否满足预设条件的步骤之后,若所述关键指标数据不满足所述预设条件,则对所述关键指标数据进行相关性分析,以获得分析结果。
也就是说,所述预设条件为供应链不同环节存在不同水平,由于影响供应链各个环节的指标(因素)众多,如果供应链不同环节存在不同水平,则进行多因素方差分析。
其中主要分为不可控的因素(如种植环节的环境因素),和可控因素(例如种植环节不同施肥量、不同品种对农作物产量显著性水平)。进行F检验,判断显著性水平。假设:Ai表示第i种肥料,Bj表示第种种子,xij表示第j种种子在施第i种化肥后的产量。再进行F检验,判断显著性。
原理:计算F统计量,进行F检验。F统计量是平均组间平方和与组内平方和的比。
其中SSA为组间平方和,SSE为组内平方和。根据F值,如果控制变量的不同水平对观测变量有显著影响,那观测变量的组间离差平方和就大,F值也大;反之则F值比较小。显著性系数sig<0.05时,则认为控制不同水平下对观测变量有显著影响。(例如不同施肥量、不同品种对农作物产量达到了极显著水平,则说明农作物产量主要是由施肥量、品种、以及两者相互作用来决定的。)继续进行多因素分析,最后得出哪种品种与哪种水平的施肥量是提高农作物产量的最优组合。若不可以分为不同水平,则进行相关性分析。
所述获得模块5004,用于根据所述目标指标数据,通过预设加工仿真模型获得优化指标数据的操作。
根据各供应链环节中关键指标建立加工仿真模型,并根据小麦加工企业的生产效益产生影响的基本信息和影响因素的影响规律,确定供应链中影响企业生产效益的优化指标。
上述所提到的预设加工仿真模型可根据加工产品对应环节中关键指标进行建立,本实施例并不加以限制。
此外,小麦加工企业的生产效益影响因素主要有以下几种:
毛麦、净麦选择阶段:根据不同毛麦和其所含杂质在大小、密度、形状、空气阻力和摩擦冲击方面的特性差异,需要采用不同的工艺和设备(如风机的风速大小,筛网大小)除去杂质;并根据最佳加工效果所需的条件进行水分调节。
制粉阶段:该阶段小麦的品种以及加工设备的工作参数:辊间压力、线速、线速比等将会影响工艺效果,同时制粉强度将会直接影响小麦的出粉率、电耗。
配粉阶段:考虑市场需求、成本控制等因素配粉,增加小麦使用价值,增大企业盈利空间。
副产品利用阶段:对加工过程中产生的麦麸进行处理用于食用、入药、饲料原料、酿酒等。
所述加工模块5005,用于根据所述优化指标数据确定小麦生产加工优化策略,并根据所述小麦生产加工优化策略对所述小麦产品的生产加工过程进行优化的操作。
所述根据所述优化指标数据确定小麦生产加工优化策略,并根据所述小麦生产加工优化策略对所述小麦产品的生产加工过程进行优化的步骤为对所述目标指标数据进行规律分析确定控制变量,根据所述优化指标数据和所述控制变量建立预设优化模型,根据所述优化指标数据,通过所述预设优化模型获得小麦生产加工优化策略,并根据所述小麦生产加工优化策略对所述小麦产品的生产加工过程进行优化。
也就是说,引入控制变量,建立优化模型,最后得到最优控制方法,从而全面化的优化控制该小麦加工企业的生产效益。
以下为优化控制的三个方面:
(1)最优控制问题,主要体现在调整设备操作参数,使系统经济指标达到最优;
(2)企业最大利润、最小能耗、出粮率高;
(3)产品市场满意度好。
假设毛麦、净麦选择阶段的各项工作参数为x1i,得出净小麦和杂质分别为xi,yj,电耗为wi。其它各设备也如下表所示。调节各设备工作参数使能耗最小,并能分析出各设备工作参数(控制变量)对能耗的影响。假如某一设备电耗出现异常,通过该追溯系统能快速的调整毛麦、净麦选择阶段的工作参数,并参考表2,所述表2为各项工作参数表。
表2
设总利润a,出品率b,单位生产成本c。则目标函数总利润最大的模型为:
amax(naaxab,minac)max
多目标优化模型为:
P1:max P
P2:min Wi i=1,2,3,4,5,6
其中P为总利润,Wi为加工过程各阶段能耗(例如为小麦清理筛能耗)。x1i i=1,2为毛麦、净麦选择阶段中的工作参数(风机的风速大小,筛网大小);x2i i=1,2,3,4为制粉阶段中小麦品种和加工设备的工作参数(辊间压力、线速、线速比);x31为制粉强度;x41为成品面粉整理阶段相关参数。其中cij为各阶段指标参数值。通过该优化模型,为了满足以上目标,可以动态的调整各环节工作参数。
通过该追溯系统,分析各加工环节设备的工作参数(控制变量)对能耗的影响,并快速调整加工环节的工作参数,使能耗最小化,并在满足总利润最大化的基础上,动态调整各环节工作参数,得出最优控制方法,从而全面化的优化控制该小麦加工企业的生产效益,并且,一旦某个供应链环节出现问题,该系统能够从出问题的环节进行全方位追溯,并得到可能出现问题的相关环节,进而对相关环节的相关指标或相关参数进行优化控制,从而使整个供应链追溯信息系统实现全局最优。
在本实施例中,获取小麦产品对应的小麦供应链信息和小麦供应链数据,根据所述小麦供应链信息和所述小麦供应链数据确定目标追溯数据库,从所述目标追溯数据库中选取所述小麦产品对应的目标指标数据,根据所述目标指标数据,通过预设加工仿真模型获得优化指标数据,根据所述优化指标数据确定小麦生产加工优化策略,并根据所述小麦生产加工优化策略对所述小麦产品的生产加工过程进行优化,本实施例根据供应链追溯体系,收集各环节在供应链中的所有相关追溯指标数据,通过数据融合法和逐步筛选法找出该小麦加工企业生产效益的目标指标数据,然后根据所述目标指标数据能够得到高质量目标追溯数据库,之后通过预设加工仿真模型获得优化指标数据,根据所述优化指标数据确定小麦生产加工优化策略,并根据所述小麦生产加工优化策略对所述小麦产品的生产加工过程进行优化,从而在全面收集小麦产品在不同供应链环节的关键数据的同时,控制小麦产品加工的生产效益。
本发明所述基于供应链追溯体系的小麦加工优化装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为名称。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image,ROM)/随机存取存储器(Random AccessMemory,RAM)、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种基于供应链追溯体系的小麦加工优化方法,其特征在于,所述基于供应链追溯体系的小麦加工优化方法包括以下步骤:
获取小麦产品对应的小麦供应链信息和小麦供应链数据;
根据所述小麦供应链信息和所述小麦供应链数据确定目标追溯数据库;
从所述目标追溯数据库中选取所述小麦产品对应的目标指标数据;
根据所述目标指标数据,通过预设加工仿真模型获得优化指标数据;
根据所述优化指标数据确定小麦生产加工优化策略,并根据所述小麦生产加工优化策略对所述小麦产品的生产加工过程进行优化;
其中,所述根据所述小麦供应链信息和所述小麦供应链数据确定目标追溯数据库的步骤,包括:
根据所述小麦供应链信息确定小麦供应链追溯体系;
通过所述小麦供应链追溯体系对所述小麦供应链数据进行筛选,获得关键指标数据;
根据所述关键指标数据建立初始追溯数据库;
根据所述初始追溯数据库,通过数据预处理法获得目标追溯数据库;
所述根据所述小麦供应链信息确定小麦供应链追溯体系的步骤,包括:
根据所述小麦供应链信息确定小麦供应链环节;
根据预设要素分析模型确定所述小麦供应链环节对应的要素层,并根据预设指标分析模型确定所述要素层的追溯指标,所述要素层包括对小麦加工企业生产效益产生影响的因素;
根据所述小麦供应链环节、所述要素层以及所述追溯指标建立小麦供应链追溯体系。
2.如权利要求1所述的方法,其特征在于,所述通过所述小麦供应链追溯体系对所述小麦供应链数据进行筛选,获得关键指标数据的步骤,包括:
根据所述小麦供应链追溯体系对所述小麦供应链数据进行数据提取,获得初始追溯指标数据;
对所述初始追溯指标数据进行数据融合,获得完整数据;
根据预设筛选模型对所述完整数据进行筛选,获得关键指标数据。
3.如权利要求2所述的方法,其特征在于,所述从所述目标追溯数据库中选取所述小麦产品对应的目标指标数据的步骤,包括:
获取所述目标追溯数据库中的关键指标数据;
判断所述关键指标数据是否满足预设条件;
若所述关键指标数据满足所述预设条件,则对所述关键指标数据进行多因素方差分析得到所述小麦产品对应的目标指标数据。
4.如权利要求3所述的方法,其特征在于,所述判断所述关键指标数据是否满足预设条件的步骤之后,还包括:
若所述关键指标数据不满足所述预设条件,则对所述关键指标数据进行相关性分析,以获得分析结果。
5.如权利要求1所述的方法,其特征在于,所述根据所述优化指标数据确定小麦生产加工优化策略,并根据所述小麦生产加工优化策略对所述小麦产品的生产加工过程进行优化的步骤,包括:
对所述目标指标数据进行规律分析确定控制变量;
根据所述优化指标数据和所述控制变量建立预设优化模型;
根据所述优化指标数据,通过所述预设优化模型获得小麦生产加工优化策略;
根据所述小麦生产加工优化策略对所述小麦产品的生产加工过程进行优化。
6.一种基于供应链追溯体系的小麦加工优化装置,其特征在于,所述基于供应链追溯体系的小麦加工优化装置包括以下步骤:
获取模块,用于获取小麦产品的小麦供应链信息和小麦供应链数据;
确定模块,用于根据所述小麦供应链信息和所述小麦供应链数据确定目标追溯数据库;
选取模块,用于从所述目标追溯数据库中选取所述小麦产品对应的目标指标数据;
获得模块,用于根据所述目标指标数据,通过预设加工仿真模型获得优化指标数据;
加工模块,用于根据所述优化指标数据确定小麦生产加工优化策略,并根据所述小麦生产加工优化策略对所述小麦产品的生产加工过程进行优化;
其中,所述确定模块,还用于根据所述小麦供应链信息确定小麦供应链追溯体系;
所述确定模块,还用于通过所述小麦供应链追溯体系对所述小麦供应链数据进行筛选,获得关键指标数据;
所述确定模块,还用于根据所述关键指标数据建立初始追溯数据库;
所述确定模块,还用于根据所述初始追溯数据库,通过数据预处理法获得目标追溯数据库;
所述确定模块,还用于根据所述小麦供应链信息确定小麦供应链环节;
所述确定模块,还用于根据预设要素分析模型确定所述小麦供应链环节对应的要素层,并根据预设指标分析模型确定所述要素层的追溯指标,所述要素层包括对小麦加工企业生产效益产生影响的因素;
所述确定模块,还用于根据所述小麦供应链环节、所述要素层以及所述追溯指标建立小麦供应链追溯体系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010323985.7A CN111553518B (zh) | 2020-04-22 | 2020-04-22 | 基于供应链追溯体系的小麦加工优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010323985.7A CN111553518B (zh) | 2020-04-22 | 2020-04-22 | 基于供应链追溯体系的小麦加工优化方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111553518A CN111553518A (zh) | 2020-08-18 |
CN111553518B true CN111553518B (zh) | 2022-05-31 |
Family
ID=72007638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010323985.7A Active CN111553518B (zh) | 2020-04-22 | 2020-04-22 | 基于供应链追溯体系的小麦加工优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111553518B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734482A (zh) * | 2018-05-23 | 2018-11-02 | 浪潮软件集团有限公司 | 一种阿胶质量追溯方法、系统、可读介质和存储控制器 |
CN109657996A (zh) * | 2018-12-25 | 2019-04-19 | 东北大学 | 一种基于haccp体系的食品追溯与查询分析系统及方法 |
CN110188962A (zh) * | 2019-06-04 | 2019-08-30 | 黑龙江省七星农场 | 基于农业物联网的水稻供应链信息处理方法 |
CN110942215A (zh) * | 2018-09-21 | 2020-03-31 | 上海仪电(集团)有限公司中央研究院 | 一种基于食品追溯的动态食品安全评价方法和评价装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130138470A1 (en) * | 2011-11-25 | 2013-05-30 | Infosys Limited | System and method for supply chain optimization |
-
2020
- 2020-04-22 CN CN202010323985.7A patent/CN111553518B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734482A (zh) * | 2018-05-23 | 2018-11-02 | 浪潮软件集团有限公司 | 一种阿胶质量追溯方法、系统、可读介质和存储控制器 |
CN110942215A (zh) * | 2018-09-21 | 2020-03-31 | 上海仪电(集团)有限公司中央研究院 | 一种基于食品追溯的动态食品安全评价方法和评价装置 |
CN109657996A (zh) * | 2018-12-25 | 2019-04-19 | 东北大学 | 一种基于haccp体系的食品追溯与查询分析系统及方法 |
CN110188962A (zh) * | 2019-06-04 | 2019-08-30 | 黑龙江省七星农场 | 基于农业物联网的水稻供应链信息处理方法 |
Non-Patent Citations (4)
Title |
---|
Food traceability as an integral part of logistics management in food and agricultural supply chain;Bosona Techane等;《FOOD CONTROL》;20130930;第33卷(第1期);32-48 * |
哈尔滨市农超对接绩效评价与提升对策研究;殷慧慧;《中国优秀硕士学位论文全文数据库 经济与管理科学辑》;20170228;J149-1227 * |
完善猪肉质量安全追溯体系建设的策略研究;周洁红;《农业经济问题》;20131031(第10期);90-96 * |
批次清单结合Petri网追溯模型提高小麦粉加工过程追溯精度;王姗姗等;《农业工程学报》;20180723(第14期);271-279 * |
Also Published As
Publication number | Publication date |
---|---|
CN111553518A (zh) | 2020-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111553519B (zh) | 基于供应链追溯评价体系的粮食加工优化方法及装置 | |
Lin et al. | Intelligent greenhouse system based on remote sensing images and machine learning promotes the efficiency of agricultural economic growth | |
CN106600444A (zh) | 基于神经网络算法和投资组合理论的品种选择方法和装置 | |
CN114764682B (zh) | 一种基于多机器学习算法融合的大米安全风险评估方法 | |
CN111553518B (zh) | 基于供应链追溯体系的小麦加工优化方法及装置 | |
Pravallika et al. | Deep neural network model for proficient crop yield prediction | |
Rangarajan et al. | Multi‐objective optimization of root phenotypes for nutrient capture using evolutionary algorithms | |
Paşnicu et al. | Transition to bioeconomy: Perceptions and behaviors in Central and Eastern Europe | |
CN111539569B (zh) | 基于供应链追溯体系的稻谷产品生产优化方法及装置 | |
Hendrawan et al. | Neural-discrete hungry roach infestation optimization to select informative textural features for determining water content of cultured Sunagoke moss | |
De Buck et al. | Assessing the local biowaste potential of rural and developed areas using GIS-data and clustering techniques: Towards a decision support tool | |
CN111553520B (zh) | 基于供应链追溯评价体系的粮食生产优化方法及装置 | |
CN111553521B (zh) | 基于供应链追溯评价体系的稻谷产品加工优化方法及装置 | |
CN115081746A (zh) | 基于大数据的生物质原料供应链管理系统及方法 | |
EP4356313A1 (en) | Analyzing measurement results of a communications network or other target system | |
Fumia et al. | Exploration of high‐throughput data for heat tolerance selection in Capsicum annuum | |
CN111553522B (zh) | 基于供应链追溯体系的小麦生产优化方法及装置 | |
Lagrazon et al. | A Comparative Analysis of the Machine Learning Model for Crop Yield Prediction in Quezon Province, Philippines | |
CN111353638B (zh) | 基于汤圆制品品质范围获取原料品质范围的方法及装置 | |
Sowmiya et al. | Convolutional Neural Network Based Plant Nutrient Deficiency Detection | |
Oktafian et al. | Regression Model of Land Area and Amount of Production to the Selling Price of Corn | |
Viktor et al. | Genetic Algorithm: Application in the Decision Support System for Selecting a Machine and Tractor Fleet | |
CN117252453A (zh) | 一种输变电工程进度评估方法 | |
Konefal et al. | Shifting visions of sustainability in United States agriculture: A case study of the role of multi-stakeholder governance | |
Шарипова et al. | DEVELOPMENT OF A NEURAL NETWORK MODEL FOR PREDICTION OF THE EFFECT OF PHOSPHORUS ON THE YIELD OF SPRING WHEAT |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240108 Address after: 430000, No. 666, Wuhuan Avenue, linkonggang economic and Technological Development Zone, Wuhan City, Hubei Province Patentee after: Bi Shengyun (Wuhan) Information Technology Co.,Ltd. Address before: 430023 No. 68, Xuefu Road, Changqing Garden, Dongxihu District, Wuhan, Hubei Patentee before: WUHAN POLYTECHNIC University |
|
TR01 | Transfer of patent right |