CN115469701B - 一种基于物联网的烟草仓储控制方法及系统 - Google Patents
一种基于物联网的烟草仓储控制方法及系统 Download PDFInfo
- Publication number
- CN115469701B CN115469701B CN202211421016.0A CN202211421016A CN115469701B CN 115469701 B CN115469701 B CN 115469701B CN 202211421016 A CN202211421016 A CN 202211421016A CN 115469701 B CN115469701 B CN 115469701B
- Authority
- CN
- China
- Prior art keywords
- tobacco
- storage
- evaluation
- value
- warehousing
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 417
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 361
- 238000000034 method Methods 0.000 title claims abstract description 35
- 244000061176 Nicotiana tabacum Species 0.000 title description 2
- 241000208125 Nicotiana Species 0.000 claims abstract description 359
- 238000011156 evaluation Methods 0.000 claims abstract description 251
- 238000005457 optimization Methods 0.000 claims abstract description 68
- 238000013210 evaluation model Methods 0.000 claims abstract description 31
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 72
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 36
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 36
- 239000001569 carbon dioxide Substances 0.000 claims description 36
- 229910052760 oxygen Inorganic materials 0.000 claims description 36
- 239000001301 oxygen Substances 0.000 claims description 36
- 241000607479 Yersinia pestis Species 0.000 claims description 35
- 241000238631 Hexapoda Species 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000007417 hierarchical cluster analysis Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000000306 recurrent effect Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 23
- 230000006978 adaptation Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D27/00—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00
- G05D27/02—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00 characterised by the use of electric means
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
-
- 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
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于物联网的烟草仓储控制方法及系统，涉及仓储控制领域，其中，所述方法包括：根据多个仓储条件特征，生成多个仓储条件集中评价值；将多个仓储条件集中评价值和预设存储时长输入烟草状态评定模型，输出烟草状态预测结果；当烟草状态预测结果不满足烟草状态评价属性期望值，生成仓储条件优化指令；根据仓储条件优化指令进行多个仓储条件集中评价值优化，生成仓储条件优化结果，并根据其对预设烟草仓库进行烟草仓储控制。解决了现有技术中针对烟草仓储的仓储条件控制效果不佳、烟草仓储控制质量不高的技术问题。达到了提高烟草仓储的仓储条件控制效果，提高烟草仓储控制质量等技术效果。
Description
技术领域
本发明涉及仓储控制领域，具体地，涉及一种基于物联网的烟草仓储控制方法及系统。
背景技术
烟草仓储是重要的烟草生产节点之一，烟草仓储对于烟草生产具有十分重要的影响。例如，烟草仓储时，如果空气湿度过大，容易导致烟草发生霉变；如果温度过高，烟草会发生自燃现象。如何对烟草仓储进行有效地控制，受到人们的广泛关注。
现有技术中，存在针对烟草仓储的仓储条件控制精准性不足、适配度不高，进而造成烟草仓储的仓储条件控制效果不佳，以及烟草仓储控制质量不高的技术问题。
发明内容
本申请提供了一种基于物联网的烟草仓储控制方法及系统。解决了现有技术中针对烟草仓储的仓储条件控制精准性不足、适配度不高，进而造成烟草仓储的仓储条件控制效果不佳，以及烟草仓储控制质量不高的技术问题。
鉴于上述问题，本申请提供了一种基于物联网的烟草仓储控制方法及系统。
第一方面，本申请提供了一种基于物联网的烟草仓储控制方法，其中，所述方法应用于一种基于物联网的烟草仓储控制系统，所述方法包括：通过物联网调取传感器阵列，上传预设烟草仓库多个位置的多个仓储条件特征；根据所述多个仓储条件特征对于所述多个位置进行集中值评估，生成多个仓储条件集中评价值；根据烟草状态评价属性集，构建烟草状态评定模型；将所述多个仓储条件集中评价值和预设存储时长输入所述烟草状态评定模型，输出烟草状态预测结果；当所述烟草状态预测结果不满足烟草状态评价属性期望值，生成仓储条件优化指令；根据所述仓储条件优化指令进行所述多个仓储条件集中评价值优化，生成仓储条件优化结果；根据所述仓储条件优化结果对所述预设烟草仓库进行烟草仓储控制。
第二方面，本申请还提供了一种基于物联网的烟草仓储控制系统，其中，所述系统包括：仓储条件确定模块，所述仓储条件确定模块用于通过物联网调取传感器阵列，上传预设烟草仓库多个位置的多个仓储条件特征；仓储条件评估模块，所述仓储条件评估模块用于根据所述多个仓储条件特征对于所述多个位置进行集中值评估，生成多个仓储条件集中评价值；构建模块，所述构建模块用于根据烟草状态评价属性集，构建烟草状态评定模型；烟草状态预测模块，所述烟草状态预测模块用于将所述多个仓储条件集中评价值和预设存储时长输入所述烟草状态评定模型，输出烟草状态预测结果；指令生成模块，所述指令生成模块用于当所述烟草状态预测结果不满足烟草状态评价属性期望值，生成仓储条件优化指令；仓储条件优化模块，所述仓储条件优化模块用于根据所述仓储条件优化指令进行所述多个仓储条件集中评价值优化，生成仓储条件优化结果；烟草仓储控制模块，所述烟草仓储控制模块用于根据所述仓储条件优化结果对所述预设烟草仓库进行烟草仓储控制。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
通过物联网调取传感器阵列，上传预设烟草仓库多个位置的多个仓储条件特征；根据多个仓储条件特征对于多个位置进行集中值评估，生成多个仓储条件集中评价值；将多个仓储条件集中评价值和预设存储时长输入烟草状态评定模型，输出烟草状态预测结果；当烟草状态预测结果不满足烟草状态评价属性期望值，生成仓储条件优化指令；根据仓储条件优化指令进行多个仓储条件集中评价值优化，生成仓储条件优化结果，并根据仓储条件优化结果对预设烟草仓库进行烟草仓储控制。达到了提高烟草仓储的仓储条件控制精准性、适配度，实现智能化、科学化地仓储条件控制，提高烟草仓储的仓储条件控制效果，从而提高烟草仓储控制质量的技术效果。
附图说明
图1为本申请一种基于物联网的烟草仓储控制方法的流程示意图；
图2为本申请一种基于物联网的烟草仓储控制方法中构建烟草状态评定模型的流程示意图；
图3为本申请一种基于物联网的烟草仓储控制系统的结构示意图。
附图标记说明：仓储条件确定模块11，仓储条件评估模块12，构建模块13，烟草状态预测模块14，指令生成模块15，仓储条件优化模块16，烟草仓储控制模块17。
具体实施方式
本申请通过提供一种基于物联网的烟草仓储控制方法及系统。解决了现有技术中针对烟草仓储的仓储条件控制精准性不足、适配度不高，进而造成烟草仓储的仓储条件控制效果不佳，以及烟草仓储控制质量不高的技术问题。达到了提高烟草仓储的仓储条件控制精准性、适配度，实现智能化、科学化地仓储条件控制，提高烟草仓储的仓储条件控制效果，从而提高烟草仓储控制质量的技术效果。
实施例一
请参阅附图1，本申请提供一种基于物联网的烟草仓储控制方法，其中，所述方法应用于一种基于物联网的烟草仓储控制系统，所述方法具体包括如下步骤：
步骤S100：通过物联网调取传感器阵列，上传预设烟草仓库多个位置的多个仓储条件特征；
具体而言，通过物联网调取传感器阵列，并利用传感器阵列对预设烟草仓库的多个位置进行信息采集，获得多个仓储条件特征。其中，所述物联网是指通过各种传感器、射频识别技术、全球定位系统等装置及技术进行智能化感知、识别、信息采集的技术。所述传感器阵列包括多个温度传感器、多个湿度传感器、多个pH值传感器、多个氧气浓度传感器、多个二氧化碳浓度传感器。所述预设烟草仓库可以为使用所述一种基于物联网的烟草仓储控制系统进行智能化烟草仓储控制的任意烟草仓库。所述多个仓储条件特征包括多个仓储温度特征、多个仓储湿度特征、多个仓储pH值特征、多个氧气浓度特征和多个二氧化碳浓度特征。所述多个仓储温度特征包括预设烟草仓库的多个位置对应的多个温度参数信息。所述多个仓储湿度特征包括预设烟草仓库的多个位置对应的多个湿度参数信息。所述多个仓储pH值特征包括预设烟草仓库的多个位置对应的多个pH值参数信息。所述多个氧气浓度特征包括预设烟草仓库的多个位置对应的多个氧气浓度参数信息。所述多个二氧化碳浓度特征包括预设烟草仓库的多个位置对应的多个二氧化碳浓度参数信息。达到了通过传感器阵列对预设烟草仓库的多个位置进行信息采集，获得多个仓储条件特征，为后续对预设烟草仓库进行烟草仓储控制提供可靠的数据支持的技术效果。
步骤S200：根据所述多个仓储条件特征对于所述多个位置进行集中值评估，生成多个仓储条件集中评价值；
进一步的，本申请步骤S200还包括：
步骤S210：根据所述多个仓储条件特征，获取多个仓储温度特征、多个仓储湿度特征、多个仓储pH值特征、多个氧气浓度特征和多个二氧化碳浓度特征；
步骤S220：遍历所述多个仓储温度特征进行集中值评估，生成仓储温度集中评价值；
进一步的，本申请步骤S220还包括：
步骤S221：根据所述多个仓储温度特征进行层次聚类分析，生成多个仓储温度聚类区域；
进一步的，本申请步骤S221还包括：
步骤S2211：获取第k聚类区域仓储温度和第k+1聚类区域仓储温度，其中，第k聚类区域和第k+1聚类区域相邻；
步骤S2212：判断所述第k聚类区域仓储温度和所述第k+1聚类区域仓储温度之间的偏差是否大于预设仓储温度；
步骤S2213：若大于，将所述第k聚类区域和所述第k+1聚类区域划分为不同聚类区域；
步骤S2214：若小于或等于，根据所述第k聚类区域仓储温度和所述第k+1聚类区域仓储温度，获取第k聚类区域仓储温度更新值对所述第k聚类区域仓储温度进行更新，且将所述第k+1聚类区域划分入所述第k聚类区域；
步骤S2215：遍历所述多个仓储温度特征重复聚类，生成所述多个仓储温度聚类区域。
具体而言，对多个仓储温度特征进行随机选择，获得第k聚类区域仓储温度、第k+1聚类区域仓储温度。且，第k聚类区域仓储温度、第k+1聚类区域仓储温度对应的第k聚类区域、第k+1聚类区域之间具有相邻关系。进一步，对第k聚类区域仓储温度、第k+1聚类区域仓储温度进行差值计算，获得第k聚类区域仓储温度与第k+1聚类区域仓储温度之间的偏差，并对第k聚类区域仓储温度与第k+1聚类区域仓储温度之间的偏差是否大于预设仓储温度进行判断，如果第k聚类区域仓储温度与第k+1聚类区域仓储温度之间的偏差大于预设仓储温度，则将第k聚类区域、第k+1聚类区域划分为不同聚类区域。如果第k聚类区域仓储温度与第k+1聚类区域仓储温度之间的偏差小于或等于预设仓储温度，则将第k+1聚类区域添加至第k聚类区域，并根据第k聚类区域仓储温度、第k+1聚类区域仓储温度确定第k聚类区域仓储温度更新值，并根据第k聚类区域仓储温度更新值对第k聚类区域仓储温度进行更新。进而，基于多个仓储温度特征进行与第k聚类区域相同方式的重复聚类，获得多个仓储温度聚类区域。
其中，所述第k聚类区域仓储温度可以为多个仓储温度特征中任意一个仓储温度特征。所述第k聚类区域为预设烟草仓库的多个位置中，第k聚类区域仓储温度对应的位置。所述第k+1聚类区域为预设烟草仓库的多个位置中，与第k聚类区域相邻的任意位置。第k+1聚类区域仓储温度为第k+1聚类区域对应的仓储温度特征。所述预设仓储温度包括预先设置确定的仓储温度偏差阈值。所述第k聚类区域仓储温度更新值为第k聚类区域仓储温度结果、第k+1聚类区域仓储温度结果的平均值。第k聚类区域仓储温度结果为第k聚类区域仓储温度与第k聚类区域权重系数之间的乘积。所述第k+1聚类区域仓储温度结果包括第k+1聚类区域仓储温度与第k+1聚类区域权重系数之间的乘积。在确定第k聚类区域权重系数、第k+1聚类区域权重系数时，首先对第k聚类区域的仓储温度数量、第k+1聚类区域的仓储温度数量进行加和，获得仓储温度数量计算结果，第k聚类区域权重系数为第k聚类区域的仓储温度数量与仓储温度数量计算结果的比值。第k+1聚类区域权重系数为第k+1聚类区域的仓储温度数量与仓储温度数量计算结果的比值。所述多个仓储温度聚类区域包括第k聚类区域。达到了通过对多个仓储温度特征进行层次聚类分析，获得准确的多个仓储温度聚类区域，从而提高后续对多个仓储温度特征进行集中值评估的精准性的技术效果。
步骤S222：获取集中值评估公式：
其中，D表征仓储温度集中评价值，
表征第k个区域的仓储温度特征值，
表征第k个区域中聚类的仓储温度数量，
表征聚类区域总数量；
步骤S223：根据所述集中值评估公式对所述多个仓储温度聚类区域进行处理，生成所述仓储温度集中评价值。
具体而言，将多个仓储温度聚类区域作为输入信息，输入集中值评估公式，获得仓储温度集中评价值。其中，所述多个仓储温度聚类区域中，每个仓储温度聚类区域包括仓储温度特征、仓储温度数量、聚类区域总数量。在集中值评估公式中，D为输出的仓储温度集中评价值；
表征第k个区域的仓储温度特征值，即
为输入的第k聚类区域仓储温度。
表征第k个区域中聚类的仓储温度数量，即
为输入的第k聚类区域的仓储温度数量。
表征聚类区域总数量，即
为输入的多个仓储温度聚类区域的总数量。达到了通过集中值评估公式对多个仓储温度聚类区域进行准确地评估，获得可靠的仓储温度集中评价值，从而提高后续获得的多个仓储条件集中评价值的精准性的技术效果。
步骤S230：遍历所述多个仓储湿度特征进行集中值评估，生成仓储湿度集中评价值；
步骤S240：遍历所述多个仓储pH值特征进行集中值评估，生成仓储pH值集中评价值；
步骤S250：遍历所述多个氧气浓度特征进行集中值评估，生成氧气浓度集中评价值；
步骤S260：遍历所述多个二氧化碳浓度特征进行集中值评估，生成二氧化碳浓度集中评价值；
步骤S270：将所述仓储温度集中评价值、所述仓储湿度集中评价值、所述仓储pH值集中评价值、所述氧气浓度集中评价值和所述二氧化碳浓度集中评价值，添加进所述多个仓储条件集中评价值。
具体而言，对多个仓储湿度特征、多个仓储pH值特征、多个氧气浓度特征、多个二氧化碳浓度特征进行层次聚类分析，获得多个仓储湿度聚类区域、多个仓储pH值聚类区域、多个仓储氧气浓度聚类区域、多个二氧化碳浓度聚类区域。进一步，分别将所述多个仓储湿度聚类区域、多个仓储pH值聚类区域、多个仓储氧气浓度聚类区域、多个二氧化碳浓度聚类区域作为输入信息，输入所述集中值评估公式，获得仓储湿度集中评价值、仓储pH值集中评价值、氧气浓度集中评价值、二氧化碳浓度集中评价值，结合仓储温度集中评价值，获得多个仓储条件集中评价值。其中，仓储湿度集中评价值、仓储pH值集中评价值、氧气浓度集中评价值、二氧化碳浓度集中评价值与仓储温度集中评价值的获得方式相同，为了说明书的简洁，在此不再赘述。所述多个仓储条件集中评价值包括仓储温度集中评价值、仓储湿度集中评价值、仓储pH值集中评价值、氧气浓度集中评价值、二氧化碳浓度集中评价值。达到了通过对多个仓储温度特征、多个仓储湿度特征、多个仓储pH值特征、多个氧气浓度特征、多个二氧化碳浓度特征进行层次聚类分析、集中值评估，获得准确的多个仓储条件集中评价值，从而提高对预设烟草仓库进行烟草仓储控制的适配度、精准性的技术效果。
步骤S300：根据烟草状态评价属性集，构建烟草状态评定模型；
进一步的，如附图2所示，本申请步骤S300还包括：
步骤S310：根据所述烟草状态评价属性集，获取烟草虫害属性、烟草霉化属性和烟叶外观属性；
步骤S320：根据所述烟草虫害属性和多个预设仓储条件，采集烟草虫害记录数据，构建烟草虫害状态评定层，其中，所述多个预设仓储条件和所述多个仓储条件特征一一对应；
步骤S330：根据所述烟草霉化属性和所述多个预设仓储条件，采集烟草霉化记录数据，构建烟草霉化状态评定层；
进一步的，本申请步骤S330还包括：
步骤S331：根据所述烟草霉化记录数据，获取多组预设仓储条件记录特征值和多组烟草霉化属性变化记录时序数据；
步骤S332：基于循环神经网络，调取所述多组预设仓储条件记录特征值和所述多组烟草霉化属性变化记录时序数据，进行有监督训练，构建所述烟草霉化状态评定层。
步骤S340：根据所述烟叶外观属性和所述多个预设仓储条件，采集烟草外观记录数据，构建烟草外观状态评定层；
步骤S350：将所述烟草虫害状态评定层、所述烟草霉化状态评定层和所述烟草外观状态评定层设为并行处理节点，生成所述烟草状态评定模型。
具体而言，通过大数据采集，获得烟草状态评价属性集。所述烟草状态评价属性集包括烟草虫害属性、烟草霉化属性和烟叶外观属性。所述烟草虫害属性包括烟草虫害类型、烟草虫害数量。所述烟草霉化属性包括烟草霉化位置、烟草霉化面积、烟草霉化数量。所述烟叶外观属性包括烟叶外观颜色，以及烟叶外观颜色对应的烟叶品质等级。进而，基于烟草状态评价属性集、多个预设仓储条件进行历史数据查询，获得烟草虫害记录数据、烟草霉化记录数据、烟草外观记录数据。其中，所述多个预设仓储条件包括多个预设仓储温度条件、多个预设仓储湿度条件、多个预设仓储pH值条件、多个预设仓储氧气浓度条件、多个预设仓储二氧化碳浓度条件。且，所述多个预设仓储条件与所述多个仓储条件特征具有对应关系。
进一步，所述烟草霉化记录数据包括多组预设仓储条件记录特征值和多组烟草霉化属性变化记录时序数据。继而，基于循环神经网络，对多组预设仓储条件记录特征值、多组烟草霉化属性变化记录时序数据进行有监督训练至收敛状态，获得烟草霉化状态评定层。其中，所述循环神经网络是一类符合生物神经网络，且具有短期记忆能力的神经网络。循环神经网络中，神经元不但可以接收其它神经元的信息，也可以接收自身神经元的信息，形成具有环路的网络结构。有监督训练是机器学习中的一种监督学习方法，通过有监督训练，可由多组预设仓储条件记录特征值、多组烟草霉化属性变化记录时序数据中构建烟草霉化状态评定层，通过烟草霉化状态评定层可以对不同仓储条件信息、不同仓储时长下的烟草霉化属性变化进行预测。所述多组预设仓储条件记录特征值包括满足多个预设仓储条件的多个历史仓储温度、多个历史仓储湿度、多个历史仓储pH值、多个历史仓储氧气浓度、多个历史仓储二氧化碳浓度。所述多组烟草霉化属性变化记录时序数据包括多组预设仓储条件记录特征值对应的多个历史烟草霉化位置、多个历史烟草霉化面积、多个历史烟草霉化数量。可将烟草霉化状态评定层视为一个满足循环神经网络的神经网络模型。
进一步，基于循环神经网络，分别对烟草虫害记录数据、烟草外观记录数据进行有监督训练，获得烟草虫害状态评定层、烟草外观状态评定层，结合烟草霉化状态评定层，获得烟草状态评定模型。其中，所述烟草虫害记录数据包括多组预设仓储条件记录特征值，以及多组预设仓储条件记录特征值对应的多个历史烟草虫害类型、多个历史烟草虫害数量。所述烟草外观记录数据包括多组预设仓储条件记录特征值，以及多组预设仓储条件记录特征值对应的多个历史烟叶外观颜色、多个历史烟叶品质等级。所述烟草状态评定模型包括输入层、烟草虫害状态评定层、烟草霉化状态评定层、烟草外观状态评定层、输出层。达到了通过循环神经网络，对烟草虫害记录数据、烟草霉化记录数据、烟草外观记录数据进行有监督训练，获得准确、泛化性能高的烟草状态评定模型的技术效果。
步骤S400：将所述多个仓储条件集中评价值和预设存储时长输入所述烟草状态评定模型，输出烟草状态预测结果；
步骤S500：当所述烟草状态预测结果不满足烟草状态评价属性期望值，生成仓储条件优化指令；
具体而言，将多个仓储条件集中评价值、预设存储时长作为输入信息，输入烟草状态评定模型，获得烟草状态预测结果。进一步，对烟草状态预测结果是否满足烟草状态评价属性期望值进行判断，如果烟草状态预测结果中任意一个数据不满足烟草状态评价属性期望值，获得仓储条件优化指令。其中，所述预设存储时长包括预先设置确定的预设烟草仓库的烟草仓储时长信息。所述烟草状态预测结果包括烟草虫害属性预测结果、烟草霉化属性预测结果、烟叶外观属性预测结果。所述烟草虫害属性预测结果包括多个仓储条件集中评价值、预设存储时长对应的预测烟草虫害类型、预测烟草虫害数量。所述烟草霉化属性预测结果包括多个仓储条件集中评价值、预设存储时长对应的预测烟草霉化位置、预测烟草霉化面积、预测烟草霉化数量。所述烟叶外观属性预测结果包括多个仓储条件集中评价值、预设存储时长对应的预测烟叶外观颜色、预测烟叶品质等级。所述烟草状态评价属性期望值包括预先设置确定的烟草虫害属性期望信息、烟草霉化属性期望信息、烟叶外观属性期望信息。所述仓储条件优化指令是用于表征烟草状态预测结果存在不满足烟草状态评价属性期望值的数据，需要对多个仓储条件集中评价值进行优化的指令信息。达到了通过烟草状态评定模型对多个仓储条件集中评价值、预设存储时长进行可靠的烟草状态预测，获得烟草状态预测结果，并结合烟草状态评价属性期望值，生成仓储条件优化指令，从而提高对预设烟草仓库进行仓储条件控制的精准性、适应性的技术效果。
步骤S600：根据所述仓储条件优化指令进行所述多个仓储条件集中评价值优化，生成仓储条件优化结果；
进一步的，本申请步骤S600还包括：
步骤S610：遍历所述多个预设仓储条件，设定多个仓储条件调整区间；
步骤S620：遍历所述多个仓储条件调整区间，随机抽取第m仓储条件特征值；
步骤S630：将所述第m仓储条件特征值和所述预设存储时长输入所述烟草状态评定模型，生成第m烟草状态预测结果；
步骤S640：判断所述第m烟草状态预测结果是否满足所述烟草状态评价属性期望值；
步骤S650：若满足，将所述第m仓储条件特征值设为所述仓储条件优化结果；
步骤S660：若不满足，将所述第m仓储条件特征值添加进淘汰数据组，其中，所述淘汰数据组的数据不参与优化过程。
步骤S700：根据所述仓储条件优化结果对所述预设烟草仓库进行烟草仓储控制。
具体而言，遍历多个预设仓储条件，设定多个仓储条件调整区间。继而，遍历多个仓储条件调整区间进行随机选择，获得第m仓储条件特征值。将第m仓储条件特征值、预设存储时长作为输入信息，输入烟草状态评定模型，获得第m烟草状态预测结果。进一步，对第m烟草状态预测结果是否满足烟草状态评价属性期望值进行判断，如果第m烟草状态预测结果完全满足烟草状态评价属性期望值，则将第m仓储条件特征值输出为仓储条件优化结果，并根据仓储条件优化结果对预设烟草仓库进行烟草仓储控制。如果第m烟草状态预测结果中任意一个数据不满足烟草状态评价属性期望值，则将第m仓储条件特征值添加至淘汰数据组，并对多个仓储条件调整区间进行预设迭代次数的迭代寻优，从而获得完全满足烟草状态评价属性期望值的仓储条件优化结果。预设迭代次数可自适应设置确定。且，淘汰数据组中数据不参与迭代寻优过程。如果在对多个仓储条件调整区间进行预设迭代次数的迭代寻优后，仍未找到完全满足烟草状态评价属性期望值的仓储条件优化结果，则对多个仓储条件调整区间进行优化调整后，重新进行迭代寻优直至获得完全满足烟草状态评价属性期望值的仓储条件优化结果。
其中，所述多个仓储条件调整区间包括仓储温度条件调整区间、仓储湿度条件调整区间、仓储pH值条件调整区间、仓储氧气浓度条件调整区间、仓储二氧化碳浓度条件调整区间。所述仓储温度条件调整区间包括多个预设仓储温度。所述仓储湿度条件调整区间包括多个预设仓储湿度。所述仓储pH值条件调整区间包括多个预设仓储pH值。所述仓储氧气浓度条件调整区间包括多个预设仓储氧气浓度。所述仓储二氧化碳浓度条件调整区间包括多个预设二氧化碳浓度。所述第m仓储条件特征值包括多个仓储条件调整区间中，任意的预设仓储温度、预设仓储湿度、预设仓储pH值、预设仓储氧气浓度、预设二氧化碳浓度。所述第m烟草状态预测结果包括第m仓储条件特征值、预设存储时长对应的第m烟草虫害属性预测结果、第m烟草霉化属性预测结果、第m烟叶外观属性预测结果。达到了通过仓储条件优化指令对多个仓储条件集中评价值进行优化，生成准确的仓储条件优化结果，提高对预设烟草仓库进行烟草仓储控制的质量的技术效果。
综上所述，本申请所提供的一种基于物联网的烟草仓储控制方法具有如下技术效果：
1.通过物联网调取传感器阵列，上传预设烟草仓库多个位置的多个仓储条件特征；根据多个仓储条件特征对于多个位置进行集中值评估，生成多个仓储条件集中评价值；将多个仓储条件集中评价值和预设存储时长输入烟草状态评定模型，输出烟草状态预测结果；当烟草状态预测结果不满足烟草状态评价属性期望值，生成仓储条件优化指令；根据仓储条件优化指令进行多个仓储条件集中评价值优化，生成仓储条件优化结果，并根据仓储条件优化结果对预设烟草仓库进行烟草仓储控制。达到了提高烟草仓储的仓储条件控制精准性、适配度，实现智能化、科学化地仓储条件控制，提高烟草仓储的仓储条件控制效果，从而提高烟草仓储控制质量的技术效果。
2.通过对多个仓储温度特征、多个仓储湿度特征、多个仓储pH值特征、多个氧气浓度特征、多个二氧化碳浓度特征进行层次聚类分析、集中值评估，获得准确的多个仓储条件集中评价值，从而提高对预设烟草仓库进行烟草仓储控制的适配度、精准性。
3.通过循环神经网络，对烟草虫害记录数据、烟草霉化记录数据、烟草外观记录数据进行有监督训练，获得准确、泛化性能高的烟草状态评定模型。
4.通过烟草状态评定模型对多个仓储条件集中评价值、预设存储时长进行可靠的烟草状态预测，获得烟草状态预测结果，并结合烟草状态评价属性期望值，生成仓储条件优化指令，从而提高对预设烟草仓库进行仓储条件控制的精准性、适应性。
实施例二
基于与前述实施例中一种基于物联网的烟草仓储控制方法，同样发明构思，本发明还提供了一种基于物联网的烟草仓储控制系统，请参阅附图3，所述系统包括：
仓储条件确定模块11，所述仓储条件确定模块11用于通过物联网调取传感器阵列，上传预设烟草仓库多个位置的多个仓储条件特征；
仓储条件评估模块12，所述仓储条件评估模块12用于根据所述多个仓储条件特征对于所述多个位置进行集中值评估，生成多个仓储条件集中评价值；
构建模块13，所述构建模块13用于根据烟草状态评价属性集，构建烟草状态评定模型；
烟草状态预测模块14，所述烟草状态预测模块14用于将所述多个仓储条件集中评价值和预设存储时长输入所述烟草状态评定模型，输出烟草状态预测结果；
指令生成模块15，所述指令生成模块15用于当所述烟草状态预测结果不满足烟草状态评价属性期望值，生成仓储条件优化指令；
仓储条件优化模块16，所述仓储条件优化模块16用于根据所述仓储条件优化指令进行所述多个仓储条件集中评价值优化，生成仓储条件优化结果；
烟草仓储控制模块17，所述烟草仓储控制模块17用于根据所述仓储条件优化结果对所述预设烟草仓库进行烟草仓储控制。
进一步的，所述系统还包括：
仓储特征信息获取模块，所述仓储特征信息获取模块用于根据所述多个仓储条件特征，获取多个仓储温度特征、多个仓储湿度特征、多个仓储pH值特征、多个氧气浓度特征和多个二氧化碳浓度特征；
仓储温度评估模块，所述仓储温度评估模块用于遍历所述多个仓储温度特征进行集中值评估，生成仓储温度集中评价值；
仓储湿度评估模块，所述仓储湿度评估模块用于遍历所述多个仓储湿度特征进行集中值评估，生成仓储湿度集中评价值；
仓储pH评估模块，所述仓储pH评估模块用于遍历所述多个仓储pH值特征进行集中值评估，生成仓储pH值集中评价值；
氧气浓度评估模块，所述氧气浓度评估模块用于遍历所述多个氧气浓度特征进行集中值评估，生成氧气浓度集中评价值；
二氧化碳浓度评估模块，所述二氧化碳浓度评估模块用于遍历所述多个二氧化碳浓度特征进行集中值评估，生成二氧化碳浓度集中评价值；
仓储条件集中评价值确定模块，所述仓储条件集中评价值确定模块用于将所述仓储温度集中评价值、所述仓储湿度集中评价值、所述仓储pH值集中评价值、所述氧气浓度集中评价值和所述二氧化碳浓度集中评价值，添加进所述多个仓储条件集中评价值。
进一步的，所述系统还包括：
仓储温度聚类区域确定模块，所述仓储温度聚类区域确定模块用于根据所述多个仓储温度特征进行层次聚类分析，生成多个仓储温度聚类区域；
集中值评估公式确定模块，所述集中值评估公式确定模块用于获取集中值评估公式：
其中，D表征仓储温度集中评价值，
表征第k个区域的仓储温度特征值，
表征第k个区域中聚类的仓储温度数量，
表征聚类区域总数量；
仓储温度集中评价值确定模块，所述仓储温度集中评价值确定模块用于根据所述集中值评估公式对所述多个仓储温度聚类区域进行处理，生成所述仓储温度集中评价值。
进一步的，所述系统还包括：
聚类仓储温度获取模块，所述聚类仓储温度获取模块用于获取第k聚类区域仓储温度和第k+1聚类区域仓储温度，其中，第k聚类区域和第k+1聚类区域相邻；
仓储温度判断模块，所述仓储温度判断模块用于判断所述第k聚类区域仓储温度和所述第k+1聚类区域仓储温度之间的偏差是否大于预设仓储温度；
第一执行模块，所述第一执行模块用于若大于，将所述第k聚类区域和所述第k+1聚类区域划分为不同聚类区域；
第二执行模块，所述第二执行模块用于若小于或等于，根据所述第k聚类区域仓储温度和所述第k+1聚类区域仓储温度，获取第k聚类区域仓储温度更新值对所述第k聚类区域仓储温度进行更新，且将所述第k+1聚类区域划分入所述第k聚类区域；
第三执行模块，所述第三执行模块用于遍历所述多个仓储温度特征重复聚类，生成所述多个仓储温度聚类区域。
进一步的，所述系统还包括：
属性获取模块，所述属性获取模块用于根据所述烟草状态评价属性集，获取烟草虫害属性、烟草霉化属性和烟叶外观属性；
烟草虫害状态评定层构建模块，所述烟草虫害状态评定层构建模块用于根据所述烟草虫害属性和多个预设仓储条件，采集烟草虫害记录数据，构建烟草虫害状态评定层，其中，所述多个预设仓储条件和所述多个仓储条件特征一一对应；
烟草霉化状态评定层构建模块，所述烟草霉化状态评定层构建模块用于根据所述烟草霉化属性和所述多个预设仓储条件，采集烟草霉化记录数据，构建烟草霉化状态评定层；
烟草外观状态评定层构建模块，所述烟草外观状态评定层构建模块用于根据所述烟叶外观属性和所述多个预设仓储条件，采集烟草外观记录数据，构建烟草外观状态评定层；
模型生成模块，所述模型生成模块用于将所述烟草虫害状态评定层、所述烟草霉化状态评定层和所述烟草外观状态评定层设为并行处理节点，生成所述烟草状态评定模型。
进一步的，所述系统还包括：
第四执行模块，所述第四执行模块用于根据所述烟草霉化记录数据，获取多组预设仓储条件记录特征值和多组烟草霉化属性变化记录时序数据；
第五执行模块，所述第五执行模块用于基于循环神经网络，调取所述多组预设仓储条件记录特征值和所述多组烟草霉化属性变化记录时序数据，进行有监督训练，构建所述烟草霉化状态评定层。
进一步的，所述系统还包括：
调整区间设定模块，所述调整区间设定模块用于遍历所述多个预设仓储条件，设定多个仓储条件调整区间；
特征值抽取模块，所述特征值抽取模块用于遍历所述多个仓储条件调整区间，随机抽取第m仓储条件特征值；
烟草状态预测结果生成模块，所述烟草状态预测结果生成模块用于将所述第m仓储条件特征值和所述预设存储时长输入所述烟草状态评定模型，生成第m烟草状态预测结果；
期望值判断模块，所述期望值判断模块用于判断所述第m烟草状态预测结果是否满足所述烟草状态评价属性期望值；
优化结果确定模块，所述优化结果确定模块用于若满足，将所述第m仓储条件特征值设为所述仓储条件优化结果；
第六执行模块，所述第六执行模块用于若不满足，将所述第m仓储条件特征值添加进淘汰数据组，其中，所述淘汰数据组的数据不参与优化过程。
本申请提供了一种基于物联网的烟草仓储控制方法，其中，所述方法应用于一种基于物联网的烟草仓储控制系统，所述方法包括：通过物联网调取传感器阵列，上传预设烟草仓库多个位置的多个仓储条件特征；根据多个仓储条件特征对于多个位置进行集中值评估，生成多个仓储条件集中评价值；将多个仓储条件集中评价值和预设存储时长输入烟草状态评定模型，输出烟草状态预测结果；当烟草状态预测结果不满足烟草状态评价属性期望值，生成仓储条件优化指令；根据仓储条件优化指令进行多个仓储条件集中评价值优化，生成仓储条件优化结果，并根据仓储条件优化结果对预设烟草仓库进行烟草仓储控制。达到了提高烟草仓储的仓储条件控制精准性、适配度，实现智能化、科学化地仓储条件控制，提高烟草仓储的仓储条件控制效果，从而提高烟草仓储控制质量的技术效果。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
本说明书和附图仅仅是本申请的示例性说明，如果本发明的修改和变型属于本发明及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种基于物联网的烟草仓储控制方法，其特征在于，包括：
通过物联网调取传感器阵列，上传预设烟草仓库多个位置的多个仓储条件特征；
根据所述多个仓储条件特征对于所述多个位置进行集中值评估，生成多个仓储条件集中评价值，其中包括：根据所述多个仓储条件特征，获取多个仓储温度特征、多个仓储湿度特征、多个仓储pH值特征、多个氧气浓度特征和多个二氧化碳浓度特征；遍历所述多个仓储温度特征进行集中值评估，生成仓储温度集中评价值，其中包括：根据所述多个仓储温度特征进行层次聚类分析，生成多个仓储温度聚类区域；获取集中值评估公式：
其中，D表征仓储温度集中评价值，dk表征第k个区域的仓储温度特征值，
表征第k个区域中聚类的仓储温度数量，K表征聚类区域总数量；根据所述集中值评估公式对所述多个仓储温度聚类区域进行处理，生成所述仓储温度集中评价值；遍历所述多个仓储湿度特征进行集中值评估，生成仓储湿度集中评价值；遍历所述多个仓储pH值特征进行集中值评估，生成仓储pH值集中评价值；遍历所述多个氧气浓度特征进行集中值评估，生成氧气浓度集中评价值；遍历所述多个二氧化碳浓度特征进行集中值评估，生成二氧化碳浓度集中评价值；将所述仓储温度集中评价值、所述仓储湿度集中评价值、所述仓储pH值集中评价值、所述氧气浓度集中评价值和所述二氧化碳浓度集中评价值，添加进所述多个仓储条件集中评价值；
根据烟草状态评价属性集，构建烟草状态评定模型；
将所述多个仓储条件集中评价值和预设存储时长输入所述烟草状态评定模型，输出烟草状态预测结果；
当所述烟草状态预测结果不满足烟草状态评价属性期望值，生成仓储条件优化指令；
根据所述仓储条件优化指令进行所述多个仓储条件集中评价值优化，生成仓储条件优化结果；
根据所述仓储条件优化结果对所述预设烟草仓库进行烟草仓储控制。
2.如权利要求1所述的方法，其特征在于，所述根据所述多个仓储温度特征进行层次聚类分析，生成多个仓储温度聚类区域，包括：
获取第k聚类区域仓储温度和第k+1聚类区域仓储温度，其中，第k聚类区域和第k+1聚类区域相邻；
判断所述第k聚类区域仓储温度和所述第k+1聚类区域仓储温度之间的偏差是否大于预设仓储温度；
若大于，将所述第k聚类区域和所述第k+1聚类区域划分为不同聚类区域；
若小于或等于，根据所述第k聚类区域仓储温度和所述第k+1聚类区域仓储温度，获取第k聚类区域仓储温度更新值对所述第k聚类区域仓储温度进行更新，且将所述第k+1聚类区域划分入所述第k聚类区域；
遍历所述多个仓储温度特征重复聚类，生成所述多个仓储温度聚类区域。
3.如权利要求1所述的方法，其特征在于，所述根据烟草状态评价属性集，构建烟草状态评定模型，包括：
根据所述烟草状态评价属性集，获取烟草虫害属性、烟草霉化属性和烟叶外观属性；
根据所述烟草虫害属性和多个预设仓储条件，采集烟草虫害记录数据，构建烟草虫害状态评定层，其中，所述多个预设仓储条件和所述多个仓储条件特征一一对应；
根据所述烟草霉化属性和所述多个预设仓储条件，采集烟草霉化记录数据，构建烟草霉化状态评定层；
根据所述烟叶外观属性和所述多个预设仓储条件，采集烟草外观记录数据，构建烟草外观状态评定层；
将所述烟草虫害状态评定层、所述烟草霉化状态评定层和所述烟草外观状态评定层设为并行处理节点，生成所述烟草状态评定模型。
4.如权利要求3所述的方法，其特征在于，所述根据所述烟草霉化属性和所述多个预设仓储条件，采集烟草霉化记录数据，构建烟草霉化状态评定层，包括：
根据所述烟草霉化记录数据，获取多组预设仓储条件记录特征值和多组烟草霉化属性变化记录时序数据；
基于循环神经网络，调取所述多组预设仓储条件记录特征值和所述多组烟草霉化属性变化记录时序数据，进行有监督训练，构建所述烟草霉化状态评定层。
5.如权利要求4所述的方法，其特征在于，所述根据所述仓储条件优化指令进行所述多个仓储条件集中评价值优化，生成仓储条件优化结果，包括：
遍历所述多个预设仓储条件，设定多个仓储条件调整区间；
遍历所述多个仓储条件调整区间，随机抽取第m仓储条件特征值；
将所述第m仓储条件特征值和所述预设存储时长输入所述烟草状态评定模型，生成第m烟草状态预测结果；
判断所述第m烟草状态预测结果是否满足所述烟草状态评价属性期望值；
若满足，将所述第m仓储条件特征值设为所述仓储条件优化结果；
若不满足，将所述第m仓储条件特征值添加进淘汰数据组，其中，所述淘汰数据组的数据不参与优化过程。
6.一种基于物联网的烟草仓储控制系统，其特征在于，所述系统包括：
仓储条件确定模块，所述仓储条件确定模块用于通过物联网调取传感器阵列，上传预设烟草仓库多个位置的多个仓储条件特征；
仓储条件评估模块，所述仓储条件评估模块用于根据所述多个仓储条件特征对于所述多个位置进行集中值评估，生成多个仓储条件集中评价值；
仓储特征信息获取模块，所述仓储特征信息获取模块用于根据所述多个仓储条件特征，获取多个仓储温度特征、多个仓储湿度特征、多个仓储pH值特征、多个氧气浓度特征和多个二氧化碳浓度特征；
仓储温度评估模块，所述仓储温度评估模块用于遍历所述多个仓储温度特征进行集中值评估，生成仓储温度集中评价值；
仓储温度聚类区域确定模块，所述仓储温度聚类区域确定模块用于根据所述多个仓储温度特征进行层次聚类分析，生成多个仓储温度聚类区域；
集中值评估公式确定模块，所述集中值评估公式确定模块用于获取集中值评估公式：
其中，D 表征仓储温度集中评价值，
表征第k个区域的仓储温度特征值，
表征第k个区域中聚类的仓储温度数量，
表征聚类区域总数量；
仓储温度集中评价值确定模块，所述仓储温度集中评价值确定模块用于根据所述集中值评估公式对所述多个仓储温度聚类区域进行处理，生成所述仓储温度集中评价值；
仓储湿度评估模块，所述仓储湿度评估模块用于遍历所述多个仓储湿度特征进行集中值评估，生成仓储湿度集中评价值；
仓储pH评估模块，所述仓储pH评估模块用于遍历所述多个仓储pH值特征进行集中值评估，生成仓储pH值集中评价值；
氧气浓度评估模块，所述氧气浓度评估模块用于遍历所述多个氧气浓度特征进行集中值评估，生成氧气浓度集中评价值；
二氧化碳浓度评估模块，所述二氧化碳浓度评估模块用于遍历所述多个二氧化碳浓度特征进行集中值评估，生成二氧化碳浓度集中评价值；
仓储条件集中评价值确定模块，所述仓储条件集中评价值确定模块用于将所述仓储温度集中评价值、所述仓储湿度集中评价值、所述仓储pH值集中评价值、所述氧气浓度集中评价值和所述二氧化碳浓度集中评价值，添加进所述多个仓储条件集中评价值；
构建模块，所述构建模块用于根据烟草状态评价属性集，构建烟草状态评定模型；
烟草状态预测模块，所述烟草状态预测模块用于将所述多个仓储条件集中评价值和预设存储时长输入所述烟草状态评定模型，输出烟草状态预测结果；
指令生成模块，所述指令生成模块用于当所述烟草状态预测结果不满足烟草状态评价属性期望值，生成仓储条件优化指令；
仓储条件优化模块，所述仓储条件优化模块用于根据所述仓储条件优化指令进行所述多个仓储条件集中评价值优化，生成仓储条件优化结果；
烟草仓储控制模块，所述烟草仓储控制模块用于根据所述仓储条件优化结果对所述预设烟草仓库进行烟草仓储控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211421016.0A CN115469701B (zh) | 2022-11-15 | 2022-11-15 | 一种基于物联网的烟草仓储控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211421016.0A CN115469701B (zh) | 2022-11-15 | 2022-11-15 | 一种基于物联网的烟草仓储控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115469701A CN115469701A (zh) | 2022-12-13 |
| CN115469701B true CN115469701B (zh) | 2023-01-24 |
Family
ID=84338226
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211421016.0A Active CN115469701B (zh) | 2022-11-15 | 2022-11-15 | 一种基于物联网的烟草仓储控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115469701B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2897427A1 (fr) * | 2006-02-13 | 2007-08-17 | Megaserv Sarl | Dispositif, systeme et methode de verification d'un capital thermique |
| JP2008007256A (ja) * | 2006-06-28 | 2008-01-17 | Riyoushiyoku:Kk | 食品管理装置、食品管理装置の制御方法、食品管理装置の制御プログラム、食品管理装置の制御プログラムを記録したコンピュータ読み取り可能な記録媒体 |
| CN103196486A (zh) * | 2013-02-22 | 2013-07-10 | 昆明维萌科技有限公司 | 基于无线传感网络的烟草仓储监测系统及方法 |
| JP2015036323A (ja) * | 2013-08-13 | 2015-02-23 | 富士電機株式会社 | 物品温度管理装置、物品温度管理システムおよび物品温度演算方法 |
| CN105069604A (zh) * | 2015-09-11 | 2015-11-18 | 浙江中烟工业有限责任公司 | 一种基于物联网的烟草物流信息协同管理系统 |
| DE202015103841U1 (de) * | 2015-07-21 | 2015-12-03 | Daniel Kropp | Warendepot zum Handling und/oder Vertrieb von Waren |
| JP6152216B1 (ja) * | 2016-12-27 | 2017-06-21 | 株式会社園田総合ホールディングス | 食品保管方法及び食品保管倉庫 |
| CN108022071A (zh) * | 2017-12-05 | 2018-05-11 | 深圳春沐源控股有限公司 | 仓储管理方法和仓储管理系统 |
| CN111178606A (zh) * | 2019-12-22 | 2020-05-19 | 南京理工大学 | 基于nsga-ii的自动化仓储货位分配优化方法 |
| WO2020228984A1 (en) * | 2019-05-13 | 2020-11-19 | Linde Gmbh | Safety monitor for gas mixtures requiring storage in specific temperature regimes |
| CN112241823A (zh) * | 2019-07-17 | 2021-01-19 | 宝钜(中国)儿童用品有限公司 | 仓储管理方法、电子设备及可读存储介质 |
| CN114154922A (zh) * | 2021-11-01 | 2022-03-08 | 中国烟草总公司北京市公司物流中心 | 一种烟草仓储调度系统 |
| CN114581848A (zh) * | 2022-03-05 | 2022-06-03 | 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) | 一种用于烟草仓储害虫的检测方法、系统及装置 |
| CN114646735A (zh) * | 2022-03-28 | 2022-06-21 | 王大成 | 一种空气中二氧化碳浓度监测系统 |
| CN217384329U (zh) * | 2022-04-28 | 2022-09-06 | 四川金叶生物防治有限公司 | 一种仓储专用的环境因子无线监测传感器 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220075344A1 (en) * | 2018-12-21 | 2022-03-10 | Yield Systems Oy | A method of finding a target environment suitable for growth of a plant variety |
| CN111858750B (zh) * | 2020-06-17 | 2023-05-26 | 广东工业大学 | 一种基于智能合约的货物仓储系统和方法 |
| CN114056819A (zh) * | 2020-07-31 | 2022-02-18 | 北京小米移动软件有限公司 | 仓储产线、仓储管理方法、装置、电子设备和存储介质 |
| CN114119883B (zh) * | 2022-01-29 | 2022-04-22 | 北京中科慧云科技有限公司 | 基于自适应聚类的大粮堆储粮三维云图绘制方法及装置 |
-
2022
- 2022-11-15 CN CN202211421016.0A patent/CN115469701B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2897427A1 (fr) * | 2006-02-13 | 2007-08-17 | Megaserv Sarl | Dispositif, systeme et methode de verification d'un capital thermique |
| JP2008007256A (ja) * | 2006-06-28 | 2008-01-17 | Riyoushiyoku:Kk | 食品管理装置、食品管理装置の制御方法、食品管理装置の制御プログラム、食品管理装置の制御プログラムを記録したコンピュータ読み取り可能な記録媒体 |
| CN103196486A (zh) * | 2013-02-22 | 2013-07-10 | 昆明维萌科技有限公司 | 基于无线传感网络的烟草仓储监测系统及方法 |
| JP2015036323A (ja) * | 2013-08-13 | 2015-02-23 | 富士電機株式会社 | 物品温度管理装置、物品温度管理システムおよび物品温度演算方法 |
| DE202015103841U1 (de) * | 2015-07-21 | 2015-12-03 | Daniel Kropp | Warendepot zum Handling und/oder Vertrieb von Waren |
| CN105069604A (zh) * | 2015-09-11 | 2015-11-18 | 浙江中烟工业有限责任公司 | 一种基于物联网的烟草物流信息协同管理系统 |
| JP6152216B1 (ja) * | 2016-12-27 | 2017-06-21 | 株式会社園田総合ホールディングス | 食品保管方法及び食品保管倉庫 |
| CN108022071A (zh) * | 2017-12-05 | 2018-05-11 | 深圳春沐源控股有限公司 | 仓储管理方法和仓储管理系统 |
| WO2020228984A1 (en) * | 2019-05-13 | 2020-11-19 | Linde Gmbh | Safety monitor for gas mixtures requiring storage in specific temperature regimes |
| CN112241823A (zh) * | 2019-07-17 | 2021-01-19 | 宝钜(中国)儿童用品有限公司 | 仓储管理方法、电子设备及可读存储介质 |
| CN111178606A (zh) * | 2019-12-22 | 2020-05-19 | 南京理工大学 | 基于nsga-ii的自动化仓储货位分配优化方法 |
| CN114154922A (zh) * | 2021-11-01 | 2022-03-08 | 中国烟草总公司北京市公司物流中心 | 一种烟草仓储调度系统 |
| CN114581848A (zh) * | 2022-03-05 | 2022-06-03 | 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) | 一种用于烟草仓储害虫的检测方法、系统及装置 |
| CN114646735A (zh) * | 2022-03-28 | 2022-06-21 | 王大成 | 一种空气中二氧化碳浓度监测系统 |
| CN217384329U (zh) * | 2022-04-28 | 2022-09-06 | 四川金叶生物防治有限公司 | 一种仓储专用的环境因子无线监测传感器 |
Non-Patent Citations (1)
| Title |
|---|
| 浅谈玉米种子的安全储藏;王洁等;《种子科技》;20100525(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115469701A (zh) | 2022-12-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116596044B (zh) | 基于多源数据的发电负荷预测模型训练方法及装置 | |
| CN111723929A (zh) | 一种基于神经网络的数值预报产品订正方法、装置和系统 | |
| CN110020712B (zh) | 一种基于聚类的优化粒子群bp网络预测方法和系统 | |
| CN106231609A (zh) | 一种基于重点目标区域的水下传感器网络优化部署方法 | |
| CN109143408B (zh) | 基于mlp的动态区域联合短时降水预报方法 | |
| CN112330027B (zh) | 一种基于搜索引擎指数的电力负荷预测方法 | |
| CN116957838A (zh) | 一种基于知识图表示学习的农作物生长环境监测方法 | |
| Kuang et al. | An enhanced extreme learning machine for dissolved oxygen prediction in wireless sensor networks | |
| CN116542382A (zh) | 基于混合优化算法的污水处理溶解氧浓度预测方法 | |
| CN112529683A (zh) | 一种基于cs-pnn的客户信贷风险的评估方法及系统 | |
| CN113053113A (zh) | 一种基于PSO-Welsch-Ridge的异常检测方法及装置 | |
| CN113962819A (zh) | 一种基于极限学习机的工厂化水产养殖溶解氧预测方法 | |
| CN117688846A (zh) | 用于建筑能耗的强化学习预测方法及系统、存储介质 | |
| CN111882114A (zh) | 一种短时交通流量预测模型构建方法及预测方法 | |
| CN116013426A (zh) | 一种高时空分辨率的站点臭氧浓度预测方法 | |
| CN117575745B (zh) | 基于ai大数据的课程教学资源个性推荐方法 | |
| CN115469701B (zh) | 一种基于物联网的烟草仓储控制方法及系统 | |
| CN114091745A (zh) | 基于改进多存储池回声状态网络的行业用电量预测方法 | |
| CN117913808A (zh) | 一种分布式光伏发电预测方法及其装置 | |
| CN116432851A (zh) | 一种烤烟生长状况智能预测方法及系统 | |
| CN116484193A (zh) | 一种作物产量的预测方法、系统、设备及介质 | |
| CN115471122A (zh) | 基于元数据模型的能耗评估方法及系统 | |
| CN113705932B (zh) | 一种短期负荷预测方法及装置 | |
| CN114841461A (zh) | 基于时序缺失感知和多源因素融合的空气质量集成预测方法 | |
| CN114707684A (zh) | 一种基于改进lstm的原烟堆垛内部温度预测算法 |
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 |