CN115454162B - 一种储粮智能控温方法、设备及介质 - Google Patents
一种储粮智能控温方法、设备及介质 Download PDFInfo
- Publication number
- CN115454162B CN115454162B CN202211062213.8A CN202211062213A CN115454162B CN 115454162 B CN115454162 B CN 115454162B CN 202211062213 A CN202211062213 A CN 202211062213A CN 115454162 B CN115454162 B CN 115454162B
- Authority
- CN
- China
- Prior art keywords
- grain
- temperature control
- temperature
- control rule
- granary
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003860 storage Methods 0.000 title claims description 77
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000000694 effects Effects 0.000 claims description 33
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000009529 body temperature measurement Methods 0.000 claims description 15
- 238000005399 mechanical ventilation Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims 3
- 239000000463 material Substances 0.000 abstract description 2
- 235000013339 cereals Nutrition 0.000 description 240
- 238000010586 diagram Methods 0.000 description 12
- 238000009423 ventilation Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000001816 cooling Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 230000001276 controlling effect Effects 0.000 description 6
- 238000005265 energy consumption Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000009833 condensation Methods 0.000 description 2
- 230000005494 condensation Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000032258 transport Effects 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 235000020985 whole grains Nutrition 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/20—Control of temperature characterised by the use of electric means with sensing elements having variation of electric or magnetic properties with change of temperature
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Drying Of Solid Materials (AREA)
Abstract
本申请公开了一种储粮智能控温方法、设备及介质,方法包括:在预设周期内,根据粮仓编号,获取粮仓的第一粮情数据;第一粮情数据包括粮堆若干测温点的温度值、仓内温湿度、大气温湿度、粮仓基础设施信息;根据粮仓基础设施信息,对粮堆若干测温点的温度值进行加工处理,得到粮仓的第二粮情数据;第二粮情数据包括各测温点与周围相邻点差异值、粮堆平均温度梯度;根据预先构建的储粮智能控温模型,对第一粮情数据与第二粮情数据进行分析,确定粮仓的控温规则;根据控温规则,对粮仓进行控温。以提供多种控温方案,以便粮库自动在合理的时间选择合适的设备达到对应的控温目的,既节省了人力物力,又能有效提高控温效率。
Description
技术领域
本申请涉及大数据技术领域,尤其涉及一种储粮智能控温方法、设备及介质。
背景技术
民为国基,谷为民命。粮食安全是关系国运民生的“压舱石”,关系国计民生、社会稳定和经济发展,是维护国家安全的重要基础。粮食储藏是确保粮食安全的重要环节,粮食储藏环节,首先要保障的是粮食要在准低温环境中,这样会减少粮食结露、霉变、生虫等情况的发生,避免粮食损失。
目前,粮食控温信息化手段还只局限于远程或定时单项控制通风窗、轴流风机、空调、环流风机等设备,降温或控温过程中还需要作业人员多次通过温度变化人为分析控温效果,这种办法没有达到对储粮变化历史进行科学化的处理,更不能对粮情变化做出准确预测,对一些风险,如过度通风、结露、霉变等,存在识别不及时或不准确的情况,导致降温、控温效果差,严重情况下会导致坏粮情况的发生。
发明内容
本申请实施例提供一种储粮智能控温方法、设备及介质,用于解决储粮控温效果差的问题。
本申请实施例采用下述技术方案:
一方面,本申请实施例提供了一种储粮智能控温方法,该方法包括:在预设周期内,根据粮仓编号,获取所述粮仓的第一粮情数据;所述第一粮情数据包括粮堆若干测温点的温度值、仓内温湿度、大气温湿度、粮仓基础设施信息;根据所述粮仓基础设施信息,对所述粮堆若干测温点的温度值进行加工处理,得到所述粮仓的第二粮情数据;所述第二粮情数据包括各测温点与周围相邻点差异值、粮堆平均温度梯度;根据预先构建的储粮智能控温模型,对所述第一粮情数据与所述第二粮情数据进行分析,确定所述粮仓的控温规则;根据所述控温规则,对所述粮仓进行控温。
一个示例中,所述根据预先构建的储粮智能控温模型,对所述第一粮情数据与所述第二粮情数据进行分析,确定所述粮仓的控温规则,具体包括:构建储粮控温规则库;其中,所述储粮控温规则库中包括多种控温规则;将所述第一粮情数据与所述第二粮情数据在所述储粮控温规则库进行匹配,得到匹配结果;若所述匹配结果为成功,则判断匹配的控温规则是否为多种;若是,则根据多种控温规则的预设权重,确定预设权重最高的控温规则,并将所述预设权重最高的控温规则作为所述粮仓的控温规则。
一个示例中,所述构建储粮控温规则库,具体包括:确定样本粮仓的控温方式;构建所述控温方式的内部粮情条件与外部环境条件,将所述内部粮情条件与所述外部环境条件作为所述控温方式的启动条件;其中,所述内部粮情条件与粮堆平均温度、粮堆最高温度、粮堆平均温度梯度有关;所述外部环境条件与仓内温湿度、大气温湿度有关;确定所述控温方式的停止条件;所述停止条件与所述粮堆平均温度梯度有关;确定执行所述控温方式的操作设备;根据所述控温方式、所述启动条件、所述停止条件以及所述操作设备,确定所述样本粮仓的控温规则。
一个示例中,所述方法还包括:若所述控温方式为机械通风,则所述内部粮情条件为所述粮堆平均温度大于第一预设温度阈值,所述粮堆最高温度大于第二预设温度阈值,所述粮堆平均温度梯度大于第三预设温度阈值;所述外部环境条件为仓内温度与大气温度的差值大于第四预设温度阈值,仓内湿度大于大气湿度;其中,所述仓内温度大于所述大气温度;所述停止条件为所述差值小于第五预设温度阈值;和/或所述粮堆平均温度梯度小于第六预设温度阈值。
一个示例中,所述并将所述预设权重最高的控温规则作为所述粮仓的控温规则之后,所述方法还包括:将所述多种控温规则分别进行记录,得到多条唤醒记录;在预设规则唤醒库中,将所述多条唤醒记录分别标记在对应的控温规则处;其中,所述预设规则唤醒库中包括所述储粮控温规则库中每个控温规则的历史唤醒记录以及权重;在预设时长后,在预设规则唤醒库中,统计所述每个控温规则的唤醒记录数量,根据所述唤醒记录数量,对所述每个控温规则的权重进行更新;其中,所述唤醒记录数量越多,所述权重越高。
一个示例中,所述根据所述控温规则,对所述粮仓进行控温之后,所述方法还包括:确定所述粮仓的控温效果,将所述控温效果输出至预设控温效果分析库;其中,所述预设控温效果分析库中包括所述储粮控温规则库中每个控温规则的历史控温效果;根据所述控温结果与所述历史控温结果,对所述控温规则的启动条件与停止条件进行调整。
一个示例中,所述根据所述粮仓基础设施信息,对所述粮堆若干测温点的温度值进行加工处理,得到所述粮仓的第二粮情数据,具体包括:根据设置在粮堆内的测温电缆的行列排布,以及每条测温电缆的传感器数量,确定所述粮堆若干测温点的位置关系以及所述粮堆若干测温点的数量;基于所述粮堆若干测温点的位置关系,根据第一预设表达式,确定粮堆各测温点的温度值与周围相邻点温度值之间的差异值;基于所述粮堆若干测温点的数量与所述差异值,通过第二预设表达式,确定粮堆平均温度梯度。
一个示例中,所述第一预设表达式,具体包括:其中,tp为测温点值,n为周围相邻点的个数,tpi为第i个相邻点温度值;所述第二预设表达式,具体包括:其中,count为所述粮堆若干测温点的数量,β(i)为第i个测温点的粮温点与周围相邻点温度值之间的差异值。
另一方面,本申请实施例提供了一种储粮智能控温设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:在预设周期内,根据粮仓编号,获取所述粮仓的第一粮情数据;所述第一粮情数据包括粮堆若干测温点的温度值、仓内温湿度、大气温湿度、粮仓基础设施信息;根据所述粮仓基础设施信息,对所述粮堆若干测温点的温度值进行加工处理,得到所述粮仓的第二粮情数据;所述第二粮情数据包括各测温点与周围相邻点差异值、粮堆平均温度梯度;根据预先构建的储粮智能控温模型,对所述第一粮情数据与所述第二粮情数据进行分析,确定所述粮仓的控温规则;根据所述控温规则,对所述粮仓进行控温。
另一方面,本申请实施例提供了一种储粮智能控温非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:在预设周期内,根据粮仓编号,获取所述粮仓的第一粮情数据;所述第一粮情数据包括粮堆若干测温点的温度值、仓内温湿度、大气温湿度、粮仓基础设施信息;根据所述粮仓基础设施信息,对所述粮堆若干测温点的温度值进行加工处理,得到所述粮仓的第二粮情数据;所述第二粮情数据包括各测温点与周围相邻点差异值、粮堆平均温度梯度;根据预先构建的储粮智能控温模型,对所述第一粮情数据与所述第二粮情数据进行分析,确定所述粮仓的控温规则;根据所述控温规则,对所述粮仓进行控温。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:
通过运用大数据技术,建立储粮智能控温模型,从而对第一粮情数据与第二粮情数据进行分析,能够对粮情变化做出准确预测,可以提供多种控温方案,以便粮库自动在合理的时间选择合适的设备达到对应的控温目的,既节省了人力物力,又能有效提高控温效率。
附图说明
为了更清楚地说明本申请的技术方案,下面将结合附图来对本申请的部分实施例进行详细说明,附图中:
图1为本申请实施例提供的一种储粮智能控温系统的框架示意图;
图2为本申请实施例提供的一种储粮智能控温方法的流程示意图;
图3为本申请实施例提供的一种一种测温电缆的示意图;
图4为本申请实施例提供的一种储粮智能控温设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合具体实施例及相应的附图对本申请的技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
下面参照附图来对本申请的一些实施例进行详细说明。
图1为本申请实施例提供的一种储粮智能控温系统的框架示意图。
在图1中,储粮智能控温系统包含业务数据仓库、推理器、运行器、自主学习器4个核心技术手段或特征,其中业务数据仓库一是包括第一粮情数据,二是经过抽取、清洗、治理等过程挖掘过的第二粮情数据(粮堆平均温度梯度等),三是包括控温规则知识库等内容;推理器使将业务粮情信息与控温规则知识库进行匹配,正向推理得到控温方案、专家意见等内容,并可向业务人员显示推理路径和推理规则。运行器通过调用物联网平台自动控制控温设备执行控温方案,并支持人为干预;自助学习器是通过对同一个知识规则下面的多次通风策略所达到的效果进行逐个参数分析对比,模型自动进行调优控温规则,形成一套完整的自学习循环模型。
接下来,通过图2详细描述储粮智能控温的具体过程。
图2为本申请实施例提供的一种储粮智能控温方法的流程示意图。该方法可以应用于不同的业务领域,比如,互联网金融业务领域、电商业务领域、即时通讯业务领域、游戏业务领域、公务业务领域等。该流程中的某些输入参数或者中间结果允许人工干预调节,以帮助提高准确性。
本申请实施例涉及的分析方法的实现可以为终端设备,也可以为服务器,本申请对此不作特殊限制。为了方便理解和描述,以下实施例均以服务器为例进行详细描述。
需要说明的是,该服务器可以是单独的一台设备,可以是有多台设备组成的系统,即,分布式服务器,本申请对此不做具体限定。
图2中的流程可以包括以下步骤:
S202:在预设周期内,根据粮仓编号,获取所述粮仓的第一粮情数据。
其中,第一粮情数据包括粮堆若干测温点的温度值、仓内温湿度、大气温湿度、粮仓基础设施信息。
在本申请的一些实施例中,粮仓(储存粮食的载体,平房仓、长方体形状)预先部署测温电缆设备,测温电缆均匀的分布在粮堆里,每条测温电缆上设置多个传感器,将每个传感器作为测温点,从而获取粮堆若干测温点的温度值。
更直观地,本申请实施例提供了一种测温电缆的示意图,如图3所示。在图3中,测温电缆的排布为一行,多列。其中,每条测温电缆上的圆点,表示对应的传感器。
其中,粮仓基础设施信息包括粮仓测温电缆排布规则,即,电缆的行列排布,以及一条测温电缆的传感器个数。需要说明的是,测温电缆设置在粮堆的内部。
通过设置在仓内的温湿度传感器,获取到仓内温湿度,以及设置在仓外的温湿度传感器,获取到大气温湿度。
其中,获取第一粮情数据,可以同步更新的到业务数据仓库,该业务数据仓库具体包括粮仓信息表、粮情信息数据表、粮食水分信息等。
粮仓信息表,主要存储粮仓基本设施信息,包括仓房形状、测温电缆数、行数、列数、层数、存储粮食品种、数量等。
粮情信息基础数据表,主要存储粮情信息,具体包括粮仓号、检测时间、大气温度、大气湿度、仓内温度、仓内湿度、粮堆平均温度、粮温最大值、粮温最小值、测温点值集合等。
粮食水分信息表,主要存储粮食水分信息,粮食水分目前通过基于粮库现状,可以通过2种手段获取,一是通过水分检测器手动检测,二是通过测水传感器进行粮食水分检测,原理与测温一致。具体包括粮仓号、检测时间、各层平均水分集合、各水分检测点水分值集合、粮堆水分点与周围相邻点差异值集合、粮堆水分平均水分梯度等。
S204:根据所述粮仓基础设施信息,对所述粮堆若干测温点的温度值进行加工处理,得到所述粮仓的第二粮情数据;所述第二粮情数据包括各测温点与周围相邻点差异值、粮堆平均温度梯度。
在本申请的一些实施例中,根据设置在粮堆内的测温电缆的行列排布,以及每条测温电缆的传感器数量,确定粮堆若干测温点的位置关系以及粮堆若干测温点的数量。比如,电缆的行列排布,用x代表行数,y代表列数,z代表一条测温电缆的传感器个数,那么整个粮堆测温点数为x*y*z。
然后,基于粮堆若干测温点的位置关系,根据第一预设表达式,确定粮堆各测温点的温度值与周围相邻点温度值之间的差异值。
其中,第一预设表达式,具体包括:
其中,tp为测温点值,n为周围相邻点的个数,tpi为第i个相邻点温度值。
然后,基于粮堆若干测温点的数量与差异值,通过第二预设表达式,确定粮堆平均温度梯度。
其中,第二预设表达式,具体包括:
其中,count为粮堆若干测温点的数量,β(i)为第i个测温点的粮温点与周围相邻点温度值之间的差异值。
也就是说,业务数据仓库中除了基础数据外,还通过数据抽取、加工,进一步生成点与周围相邻点差异值、层均温、周边温度值、粮堆平均温度梯度等信息,为储粮智能控温模型提供数据。
S206:根据预先构建的储粮智能控温模型,对所述第一粮情数据与所述第二粮情数据进行分析,确定所述粮仓的控温规则。
在本申情的一些实施例中,服务器的推理器构建储粮控温规则库;其中,储粮控温规则库中包括多种控温规则。然后,将第一粮情数据与第二粮情数据在储粮控温规则库进行匹配,得到匹配结果。
若匹配结果为成功,则判断匹配的控温规则是否为多种;若是,则根据多种控温规则的预设权重,确定预设权重最高的控温规则,并将预设权重最高的控温规则作为粮仓的控温规则。若否,则直接输出一种匹配的控温规则。
需要说明的是,若预设权重最高的控温规则为多个,需要通过冲突消解机制选择其中一条最合适的控温规则作为推理结果,则选用就近排序的方法,选择控温规则。比如,A控温规则与B控温规则的权重相同,两者的排列顺序为A控温规则在第一个,B控温规则在第二个,则将A控温规则作为粮仓的控温规则。
若匹配结果为失败,则说明没有合适或者确切的控温规则方案与事实数据匹配成功,推理器没有推理出结论。这种结果从专家分析模型的角度来说是存在缺陷的,说明控温规则库相关策略不完整,这种情况下需要人为参与进行完善相关策略库,结果也可以是:“没有异常情况,保管良好,不用通风等”,以保证后续出现时正常的输出,如果业务数据仓库足够的全面,这种情况是不应该出现的。
推理器推理成功后,可以把实时业务数据与控温规则库,按照因为所以的关系进行组合,还原推理过程,并可向业务人员显示推理路径和推理规则,增加模型的透明性、可信任性。
需要说明的是,本申请实施例采用了正向推理机制,从已知的实际业务数据出发,进行推演,向结论方向推算,得到预想的结果。正向推理也称为规则驱动控制,从已知的事实信息出发,正向使用规则,如果实际的业务数据信息与控温规则库中规则的条件部分相匹配,则启动控温规则的方案部分。推理开始时,智能控温专家分析模型根据粮仓的业务数据仓库内的第一粮情数据、第二粮情数据等事实数据,输入给控温规则库中开始推理。从控温规则库的第一条规则开始逐项推演,把事实数据与当前规则信息的条件、参数部分进行匹配,具体的匹配工作是按照以下方式进行的:每条规则条件、参数部分的每项事实状态都有一个是否参与推断项,如果为1表该项事实状态要推断,那么就把事实类中的该项事实数据与规则表中的该项状态进行比对,如果事实满足规则的该项参数判断条件,那么该项控温规则视为匹配,如果对整条规则的提出所有条件、参数部分的事实状态,事实库中都能找到对应的匹配项,那么该条规则视为匹配,相反则为不匹配。如若匹配,则把事实与该规则进行综合形成一条记录更新到规则唤醒库中,然后再进入下一条规则的推断匹配工作。如果不匹配的话,就直接进入下一条规则的匹配推断,循环遍历,直至最后一条规则。
在本申请的一些实施例中,在将预设权重最高的控温规则作为粮仓的控温规则之后,还将多种控温规则分别进行记录,得到多条唤醒记录。
在预设规则唤醒库中,将多条唤醒记录分别标记在对应的控温规则处;其中,预设规则唤醒库中包括储粮控温规则库中每个控温规则的历史唤醒记录以及权重。
在预设时长后,在预设规则唤醒库中,统计每个控温规则的唤醒记录数量,根据唤醒记录数量,对每个控温规则的权重进行更新;其中,唤醒记录数量越多,权重越高。
需要说明的是,记录的添加是经过推理器依据规则激活、唤醒的结果,推理得到的专家意见必然是依据某条控温规则的,即若当前事实满足此规则的前提条件,那么结论成立。依据控温规则按照推理算法每推理一次,有多少条规则成立,则就有多少条记录添加到事实唤醒控温规则库中。主要信息包括控温规则号、粮仓号、控温发生日期、控温名称、控温规则号、控温方式、规则填写时间、控制启动条件相关参数集合、控制停止条件集合、操作设备集合、参数推断标志。
在本申请的一些实施例中,在构建控温规则时,根据储粮专家和保管人员的知识与经验,并依据粮食行业相关标准《储粮机械通风技术规程》,确定出若干控温规则。规则表主要包括的信息为控温规则号、规则名称、控温方式、规则填写时间、控制启动条件相关参数集合、控制停止条件集合、操作设备集合、参数推断标志、规则优先级顺序等。
具体地,确定样本粮仓的控温方式,构建控温方式的内部粮情条件与外部环境条件,将内部粮情条件与外部环境条件作为控温方式的启动条件。其中,内部粮情条件与粮堆平均温度、粮堆最高温度、粮堆平均温度梯度有关,外部环境条件与仓内温湿度、大气温湿度有关。
然后,确定控温方式的停止条件;停止条件与粮堆平均温度梯度有关;确定执行控温方式的操作设备;
最后,根据控温方式、启动条件、停止条件以及操作设备,确定样本粮仓的控温规则。
其中,控温方式包括机械通风、环流均温、空调控温等。目前粮食行业通过机械通风进行降温、空调设备进行控温、环流设备进行均温,3种方案分别利用的冷源不同,其中机械通风为空气为冷源,空调控温为设备自造冷源,环流控温为粮食自身冷心为冷源。不同的自然条件、时机等运用不同的方案,本发明创新的将这3种降温类型结合起来,形成统一的控温模型,不同的时段用不同的降温方案,最大程度的提高降温效率及效果,减少设备能耗,降低了储粮成本,保证了粮食品质,提高了企业的经济效益。
其中,若控温方式为机械通风,则内部粮情条件为粮堆平均温度大于第一预设温度阈值,粮堆最高温度大于第二预设温度阈值,粮堆平均温度梯度大于第三预设温度阈值。
若外部环境条件为仓内温度与大气温度的差值大于第四预设温度阈值,仓内湿度大于大气湿度。其中,仓内温度大于大气温度。
停止条件为差值小于第五预设温度阈值;和/或粮堆平均温度梯度小于第六预设温度阈值。
其中,也可以停止条件也可以为结合水分进行分析,比如,粮堆水分梯度,粮堆层之间水分差,更直观地,控温规则如表1所示。
表1:
需要说明的是,还可以根据每一层的平均温度,确定是否进行控温。若相邻层的平均温度相差超过差值阈值,则启动对应的控温规则。
其中,确定每一层的平均温度的表达式,具体包括:
其中,x为行数,y为列数,m为层数,i为第i行,k为第k列。
S208:根据所述控温规则,对所述粮仓进行控温。
在本申请的一些实施例中,确定粮仓的控温效果,其中,在确定粮仓的控温效果时,推理得到了某种控温方式时,调用物联网平台接口,自动控制操作设备执行该控温规则。在控温前和控温结束这两个时刻,模型都会从业务数据仓库里提取粮情信息进行粮情统计,这就是该通风方式的效果分析,每执行一次通风,都会进行这两次统计,统计结果综合写入知识库里对应的控温效果分析库中。该表为将来选取最优的通风方式结论提供依据。
其中,控温效果分析记录,具体内容包括:效果编号、控温规则号、控温开始时间、控温结束时间、大气温度最大值、大气温度最小值、大气温度均值、大气湿度最大值、大气湿度最小值、大气湿度均值、开始粮食平均水分、结束粮食平均水分、控温前粮堆最大温度、控温前粮堆最小温度、控温前粮堆温度均值、控温前粮堆梯度最大值、控温前粮堆梯度最小值、控温前粮堆梯度均值、控温后粮堆最大温度、控温后粮堆最小温度、控温后粮堆温度均值、控温后粮堆梯度最大值、控温后粮堆梯度最小值、控温后粮堆梯度均值、能耗等。
同时预留人机交互接口,可以设置一个开关,控温专家模型根据业务数据仓库、知识库,通过推理,形成了具体的控温方案,作业人员查看解释器,没问题或者微调控温方案后,手动点击执行按钮,进行启动操作设备的开启、关闭等操作,同时相关控温策略会同步到知识库中,完成了知识库的丰富、完善及学习。
然后,将控温效果输出至预设控温效果分析库;其中,预设控温效果分析库中包括储粮控温规则库中每个控温规则的历史控温效果;
根据控温结果与所述历史控温结果,对控温规则的启动条件与停止条件进行调整。
具体地,依据知识规则号、通风方式、通风目的、控温前后的粮堆温度变化、粮堆平均温度梯度变化、能耗、时间等内容。同一个控温规则下面的多次通风策略所达到的效果进行逐个参数分析对比,系统进行自动、调优,并把依据记录下来,通过解释器向作业人员解释,形成一套完整的自学习循环模型。
需要说明的是,还可以结合权重的变化,对控温规则的参数进行调整,即,权重越低,说明该控温规则越不合理。
需要说明的是,虽然本申请实施例是参照图2来对步骤S202至步骤S208依次进行介绍说明的,但这并不代表步骤S202至步骤S208必须按照严格的先后顺序执行。本申请实施例之所以按照图2中所示的顺序对步骤S202至步骤S208依次进行介绍说明,是为了方便本领域技术人员理解本申请实施例的技术方案。换句话说,在本申请实施例中,步骤S202至步骤S208之间的先后顺序可以根据实际需要进行适当调整。
通过图2的方法,能够基于物联网设备(温湿度传感器),并结合气象、粮食库存、电价阶梯等数据,通过对采集数据进行AI分析,并预先构建储粮智能控温模型,发现当前温度异常等,进行分析及决策,形成智能控温专家方案,根据关注的要素不同,如快速降温、能耗效率等,可以提供多种控温方案,告诉粮库在合理的时间选择合适的设备(通风窗、通风口、轴流风机、环流风机、空调等)达到对应的控温目的(降温、均温、排积热、平衡温湿度等),并在控温作业过程中实时反馈作业效果,并进行相关温差结露风险预警等分析。根据粮库需要及现场设备条件,通过物联网技术实现控温设备的自动、智能控制,根据控温效果实时进行调节。防止因用户操作时机及方法不当,导致过度通风等,引起粮食结露,最大程度的提高降温效率及效果,减少设备能耗,降低了储粮成本,保证了粮食品质,提高了企业的经济效益。
基于同样的思路,本申请的一些实施例还提供了上述方法对应的设备和非易失性计算机存储介质。
图4为本申请实施例提供的一种储粮智能控温设备的结构示意图,所述质量链设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
在预设周期内,根据粮仓编号,获取所述粮仓的第一粮情数据;所述第一粮情数据包括粮堆若干测温点的温度值、仓内温湿度、大气温湿度、粮仓基础设施信息;
根据所述粮仓基础设施信息,对所述粮堆若干测温点的温度值进行加工处理,得到所述粮仓的第二粮情数据;所述第二粮情数据包括各测温点与周围相邻点差异值、粮堆平均温度梯度;
根据预先构建的储粮智能控温模型,对所述第一粮情数据与所述第二粮情数据进行分析,确定所述粮仓的控温规则;
根据所述控温规则,对所述粮仓进行控温。
本申请的一些实施例提供的一种储粮智能控温非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
在预设周期内,根据粮仓编号,获取所述粮仓的第一粮情数据;所述第一粮情数据包括粮堆若干测温点的温度值、仓内温湿度、大气温湿度、粮仓基础设施信息;
根据所述粮仓基础设施信息,对所述粮堆若干测温点的温度值进行加工处理,得到所述粮仓的第二粮情数据;所述第二粮情数据包括各测温点与周围相邻点差异值、粮堆平均温度梯度;
根据预先构建的储粮智能控温模型,对所述第一粮情数据与所述第二粮情数据进行分析,确定所述粮仓的控温规则;
根据所述控温规则,对所述粮仓进行控温。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备和介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备和介质与方法是一一对应的,因此,设备和介质也具有与其对应的方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述设备和介质的有益技术效果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商品或者设备不仅包括那些要素,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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请技术原理之内所作的任何修改、等同替换、改进等,均应落入本申请的保护范围之内。
Claims (7)
1.一种储粮智能控温方法,其特征在于,所述方法包括:
在预设周期内,根据粮仓编号,获取所述粮仓的第一粮情数据;所述第一粮情数据包括粮堆若干测温点的温度值、仓内温湿度、大气温湿度、粮仓基础设施信息;
根据所述粮仓基础设施信息,对所述粮堆若干测温点的温度值进行加工处理,得到所述粮仓的第二粮情数据;所述第二粮情数据包括各测温点与周围相邻点差异值、粮堆平均温度梯度;
根据预先构建的储粮智能控温模型,对所述第一粮情数据与所述第二粮情数据进行分析,确定所述粮仓的控温规则;
根据所述控温规则,对所述粮仓进行控温;
所述根据预先构建的储粮智能控温模型,对所述第一粮情数据与所述第二粮情数据进行分析,确定所述粮仓的控温规则,具体包括:
构建储粮控温规则库;其中,所述储粮控温规则库中包括多种控温规则;
将所述第一粮情数据与所述第二粮情数据在所述储粮控温规则库进行匹配,得到匹配结果;
若所述匹配结果为成功,则判断匹配的控温规则是否为多种;
若是,则根据多种控温规则的预设权重,确定预设权重最高的控温规则,并将所述预设权重最高的控温规则作为所述粮仓的控温规则;
所述构建储粮控温规则库,具体包括:
确定样本粮仓的控温方式;
构建所述控温方式的内部粮情条件与外部环境条件,将所述内部粮情条件与所述外部环境条件作为所述控温方式的启动条件;其中,所述内部粮情条件与粮堆平均温度、粮堆最高温度、粮堆平均温度梯度有关;所述外部环境条件与仓内温湿度、大气温湿度有关;
确定所述控温方式的停止条件;所述停止条件与所述粮堆平均温度梯度有关;
确定执行所述控温方式的操作设备;
根据所述控温方式、所述启动条件、所述停止条件以及所述操作设备,确定所述样本粮仓的控温规则;
所述并将所述预设权重最高的控温规则作为所述粮仓的控温规则之后,所述方法还包括:
将所述多种控温规则分别进行记录,得到多条唤醒记录;
在预设规则唤醒库中,将所述多条唤醒记录分别标记在对应的控温规则处;其中,所述预设规则唤醒库中包括所述储粮控温规则库中每个控温规则的历史唤醒记录以及权重;
在预设时长后,在预设规则唤醒库中,统计所述每个控温规则的唤醒记录数量,根据所述唤醒记录数量,对所述每个控温规则的权重进行更新;其中,所述唤醒记录数量越多,所述权重越高。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若所述控温方式为机械通风,则所述内部粮情条件为所述粮堆平均温度大于第一预设温度阈值,所述粮堆最高温度大于第二预设温度阈值,所述粮堆平均温度梯度大于第三预设温度阈值;
所述外部环境条件为仓内温度与大气温度的差值大于第四预设温度阈值,仓内湿度大于大气湿度;其中,所述仓内温度大于所述大气温度;
所述停止条件为所述差值小于第五预设温度阈值;和/或所述粮堆平均温度梯度小于第六预设温度阈值。
3.根据权利要求1所述的方法,其特征在于,所述根据所述控温规则,对所述粮仓进行控温之后,所述方法还包括:
确定所述粮仓的控温效果,将所述控温效果输出至预设控温效果分析库;其中,所述预设控温效果分析库中包括所述储粮控温规则库中每个控温规则的历史控温效果;
根据所述控温效果与所述历史控温效果,对所述控温规则的启动条件与停止条件进行调整。
4.根据权利要求1所述的方法,其特征在于,所述根据所述粮仓基础设施信息,对所述粮堆若干测温点的温度值进行加工处理,得到所述粮仓的第二粮情数据,具体包括:
根据设置在粮堆内的测温电缆的行列排布,以及每条测温电缆的传感器数量,确定所述粮堆若干测温点的位置关系以及所述粮堆若干测温点的数量;
基于所述粮堆若干测温点的位置关系,根据第一预设表达式,确定粮堆各测温点的温度值与周围相邻点温度值之间的差异值;
基于所述粮堆若干测温点的数量与所述差异值,通过第二预设表达式,确定粮堆平均温度梯度。
5.根据权利要求4所述的方法,其特征在于,所述第一预设表达式,具体包括:
其中,tp为测温点值,n为周围相邻点的个数,tpi为第i个相邻点温度值;
所述第二预设表达式,具体包括:
其中,count为所述粮堆若干测温点的数量,β(i)为第i个测温点的粮温点与周围相邻点温度值之间的差异值。
6.一种储粮智能控温设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
在预设周期内,根据粮仓编号,获取所述粮仓的第一粮情数据;所述第一粮情数据包括粮堆若干测温点的温度值、仓内温湿度、大气温湿度、粮仓基础设施信息;
根据所述粮仓基础设施信息,对所述粮堆若干测温点的温度值进行加工处理,得到所述粮仓的第二粮情数据;所述第二粮情数据包括各测温点与周围相邻点差异值、粮堆平均温度梯度;
根据预先构建的储粮智能控温模型,对所述第一粮情数据与所述第二粮情数据进行分析,确定所述粮仓的控温规则;
根据所述控温规则,对所述粮仓进行控温;
所述根据预先构建的储粮智能控温模型,对所述第一粮情数据与所述第二粮情数据进行分析,确定所述粮仓的控温规则,具体包括:
构建储粮控温规则库;其中,所述储粮控温规则库中包括多种控温规则;
将所述第一粮情数据与所述第二粮情数据在所述储粮控温规则库进行匹配,得到匹配结果;
若所述匹配结果为成功,则判断匹配的控温规则是否为多种;
若是,则根据多种控温规则的预设权重,确定预设权重最高的控温规则,并将所述预设权重最高的控温规则作为所述粮仓的控温规则;
所述构建储粮控温规则库,具体包括:
确定样本粮仓的控温方式;
构建所述控温方式的内部粮情条件与外部环境条件,将所述内部粮情条件与所述外部环境条件作为所述控温方式的启动条件;其中,所述内部粮情条件与粮堆平均温度、粮堆最高温度、粮堆平均温度梯度有关;所述外部环境条件与仓内温湿度、大气温湿度有关;
确定所述控温方式的停止条件;所述停止条件与所述粮堆平均温度梯度有关;
确定执行所述控温方式的操作设备;
根据所述控温方式、所述启动条件、所述停止条件以及所述操作设备,确定所述样本粮仓的控温规则;
所述并将所述预设权重最高的控温规则作为所述粮仓的控温规则之后,还包括:
将所述多种控温规则分别进行记录,得到多条唤醒记录;
在预设规则唤醒库中,将所述多条唤醒记录分别标记在对应的控温规则处;其中,所述预设规则唤醒库中包括所述储粮控温规则库中每个控温规则的历史唤醒记录以及权重;
在预设时长后,在预设规则唤醒库中,统计所述每个控温规则的唤醒记录数量,根据所述唤醒记录数量,对所述每个控温规则的权重进行更新;其中,所述唤醒记录数量越多,所述权重越高。
7.一种储粮智能控温非易失性计算机存储介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令设置为:
在预设周期内,根据粮仓编号,获取所述粮仓的第一粮情数据;所述第一粮情数据包括粮堆若干测温点的温度值、仓内温湿度、大气温湿度、粮仓基础设施信息;
根据所述粮仓基础设施信息,对所述粮堆若干测温点的温度值进行加工处理,得到所述粮仓的第二粮情数据;所述第二粮情数据包括各测温点与周围相邻点差异值、粮堆平均温度梯度;
根据预先构建的储粮智能控温模型,对所述第一粮情数据与所述第二粮情数据进行分析,确定所述粮仓的控温规则;
根据所述控温规则,对所述粮仓进行控温;
所述根据预先构建的储粮智能控温模型,对所述第一粮情数据与所述第二粮情数据进行分析,确定所述粮仓的控温规则,具体包括:
构建储粮控温规则库;其中,所述储粮控温规则库中包括多种控温规则;
将所述第一粮情数据与所述第二粮情数据在所述储粮控温规则库进行匹配,得到匹配结果;
若所述匹配结果为成功,则判断匹配的控温规则是否为多种;
若是,则根据多种控温规则的预设权重,确定预设权重最高的控温规则,并将所述预设权重最高的控温规则作为所述粮仓的控温规则;
所述构建储粮控温规则库,具体包括:
确定样本粮仓的控温方式;
构建所述控温方式的内部粮情条件与外部环境条件,将所述内部粮情条件与所述外部环境条件作为所述控温方式的启动条件;其中,所述内部粮情条件与粮堆平均温度、粮堆最高温度、粮堆平均温度梯度有关;所述外部环境条件与仓内温湿度、大气温湿度有关;
确定所述控温方式的停止条件;所述停止条件与所述粮堆平均温度梯度有关;
确定执行所述控温方式的操作设备;
根据所述控温方式、所述启动条件、所述停止条件以及所述操作设备,确定所述样本粮仓的控温规则;
所述并将所述预设权重最高的控温规则作为所述粮仓的控温规则之后,还包括:
将所述多种控温规则分别进行记录,得到多条唤醒记录;
在预设规则唤醒库中,将所述多条唤醒记录分别标记在对应的控温规则处;其中,所述预设规则唤醒库中包括所述储粮控温规则库中每个控温规则的历史唤醒记录以及权重;
在预设时长后,在预设规则唤醒库中,统计所述每个控温规则的唤醒记录数量,根据所述唤醒记录数量,对所述每个控温规则的权重进行更新;其中,所述唤醒记录数量越多,所述权重越高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211062213.8A CN115454162B (zh) | 2022-08-31 | 2022-08-31 | 一种储粮智能控温方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211062213.8A CN115454162B (zh) | 2022-08-31 | 2022-08-31 | 一种储粮智能控温方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115454162A CN115454162A (zh) | 2022-12-09 |
CN115454162B true CN115454162B (zh) | 2024-01-30 |
Family
ID=84300253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211062213.8A Active CN115454162B (zh) | 2022-08-31 | 2022-08-31 | 一种储粮智能控温方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115454162B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117313984A (zh) * | 2023-08-31 | 2023-12-29 | 中国标准化研究院 | 一种粮情监测方法、装置与系统 |
CN117893138B (zh) * | 2024-03-14 | 2024-05-10 | 无锡中粮工程科技有限公司 | 一种应用低温储粮的智能粮仓运行数据监管系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102779320A (zh) * | 2012-06-28 | 2012-11-14 | 郑州华粮科技股份有限公司 | 标准化的粮食存储温湿度报警的数学模型系统 |
CN106933273A (zh) * | 2015-12-29 | 2017-07-07 | 航天信息股份有限公司 | 一种粮食仓储安全控制系统和方法 |
CN106971231A (zh) * | 2017-03-31 | 2017-07-21 | 中国电子科技集团公司第三十八研究所 | 一种散粮运输车储粮环境智能管理专家系统 |
WO2017157308A1 (zh) * | 2016-03-18 | 2017-09-21 | 栾继连 | 高纬度节能低温粮食储备库及粮食储备方法 |
CN108255842A (zh) * | 2016-12-28 | 2018-07-06 | 航天信息股份有限公司 | 一种仓储信息的展示方法及装置 |
CN114063675A (zh) * | 2021-11-12 | 2022-02-18 | 维沃移动通信有限公司 | 温度控制方法、装置 |
-
2022
- 2022-08-31 CN CN202211062213.8A patent/CN115454162B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102779320A (zh) * | 2012-06-28 | 2012-11-14 | 郑州华粮科技股份有限公司 | 标准化的粮食存储温湿度报警的数学模型系统 |
CN106933273A (zh) * | 2015-12-29 | 2017-07-07 | 航天信息股份有限公司 | 一种粮食仓储安全控制系统和方法 |
WO2017157308A1 (zh) * | 2016-03-18 | 2017-09-21 | 栾继连 | 高纬度节能低温粮食储备库及粮食储备方法 |
CN108255842A (zh) * | 2016-12-28 | 2018-07-06 | 航天信息股份有限公司 | 一种仓储信息的展示方法及装置 |
CN106971231A (zh) * | 2017-03-31 | 2017-07-21 | 中国电子科技集团公司第三十八研究所 | 一种散粮运输车储粮环境智能管理专家系统 |
CN114063675A (zh) * | 2021-11-12 | 2022-02-18 | 维沃移动通信有限公司 | 温度控制方法、装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115454162A (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115454162B (zh) | 一种储粮智能控温方法、设备及介质 | |
US11617028B2 (en) | Systems and methods for sensor monitoring and sensor-related calculations | |
US20090138306A1 (en) | Facility risk assessment systems and methods | |
CN102016730A (zh) | 自主自适应半导体制造 | |
CN102016827A (zh) | 自主的基于生物学的学习工具 | |
JP2009294969A (ja) | 需要予測方法および需要予測装置 | |
CN101872384A (zh) | 动态可持续性因素管理 | |
CN112150237B (zh) | 多模型融合的订单逾期预警方法、装置、设备及存储介质 | |
US20200379417A1 (en) | Techniques for using machine learning for control and predictive maintenance of buildings | |
CN107292455A (zh) | 用电量预测方法、装置、可读存储介质和计算机设备 | |
CN111080417A (zh) | 用于提高预订顺畅率的处理方法、模型训练方法及系统 | |
Koutras et al. | Forecasting tourism demand using linear and nonlinear prediction models | |
CN112232535A (zh) | 一种基于监督学习的航班离场平均延误预测方法 | |
CN115689207A (zh) | 风电场运维管理方法、装置、计算机设备和存储介质 | |
CN114330816A (zh) | 一种工业原材料采购控制方法及系统 | |
Nezzar et al. | Mid-long term Algerian electric load forecasting using regression approach | |
US20230224612A1 (en) | Systems and methods for sensor monitoring and sensor-related calculations | |
CN116993326A (zh) | 一种智能化设备全生命周期监控方法及系统 | |
TW202347062A (zh) | 用於半導體廠房中之等待時間預測之方法 | |
CN113418841B (zh) | 一种空气质量颗粒物浓度预测数据的补全方法 | |
Schranz et al. | Machine learning for water supply supervision | |
Li et al. | Retrieval strategies for multi-tier automated carousel conveyors with multiple robots | |
JP2021082207A (ja) | 廃棄物搬入量予測装置、廃棄物搬入量予測方法および廃棄物搬入量予測プログラム | |
CN117057719B (zh) | 一种基于大数据的预制食品仓储补货管理方法及系统 | |
US20110172801A1 (en) | Method and system for determining manufacturing throughput target |
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 |