CN115892434A - 一种船舶用食品保鲜冷库、方法、系统及介质 - Google Patents
一种船舶用食品保鲜冷库、方法、系统及介质 Download PDFInfo
- Publication number
- CN115892434A CN115892434A CN202310004237.6A CN202310004237A CN115892434A CN 115892434 A CN115892434 A CN 115892434A CN 202310004237 A CN202310004237 A CN 202310004237A CN 115892434 A CN115892434 A CN 115892434A
- Authority
- CN
- China
- Prior art keywords
- food
- temperature
- keeping
- processor
- refrigeration
- 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.)
- Withdrawn
Links
- 235000013305 food Nutrition 0.000 title claims abstract description 204
- 238000005057 refrigeration Methods 0.000 title claims abstract description 144
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012806 monitoring device Methods 0.000 claims abstract description 32
- 238000004891 communication Methods 0.000 claims abstract description 9
- 230000002147 killing effect Effects 0.000 claims description 73
- 238000005265 energy consumption Methods 0.000 claims description 43
- 238000009920 food preservation Methods 0.000 claims description 22
- 238000012423 maintenance Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 3
- 239000003507 refrigerant Substances 0.000 claims description 3
- 210000002381 plasma Anatomy 0.000 description 102
- 238000001816 cooling Methods 0.000 description 69
- 238000012549 training Methods 0.000 description 33
- 150000003839 salts Chemical class 0.000 description 16
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 239000013598 vector Substances 0.000 description 12
- 241000251468 Actinopterygii Species 0.000 description 7
- 235000019688 fish Nutrition 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000001954 sterilising effect Effects 0.000 description 6
- 238000001931 thermography Methods 0.000 description 5
- 235000013311 vegetables Nutrition 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000004321 preservation Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004659 sterilization and disinfection Methods 0.000 description 4
- 235000015278 beef Nutrition 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 241000219112 Cucumis Species 0.000 description 2
- 235000015510 Cucumis melo subsp melo Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 239000013535 sea water Substances 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- FJJCIZWZNKZHII-UHFFFAOYSA-N [4,6-bis(cyanoamino)-1,3,5-triazin-2-yl]cyanamide Chemical compound N#CNC1=NC(NC#N)=NC(NC#N)=N1 FJJCIZWZNKZHII-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 235000012055 fruits and vegetables Nutrition 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 235000015277 pork Nutrition 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 235000013580 sausages Nutrition 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Landscapes
- Devices That Are Associated With Refrigeration Equipment (AREA)
Abstract
本说明书实施例提供一种船舶用食品保鲜冷库、方法、系统及介质,该方法由船舶用食品保鲜冷库实现,船舶用食品保鲜冷库包括:食品保鲜单元、温度湿度监测装置和处理器,处理器与食品保鲜单元、温度湿度监测装置通信连接;该方法由处理器执行,包括:通过温度湿度监测装置获取温度数据和湿度数据;基于温度数据和湿度数据,确定并发出控制指令,以控制制冷装置、制冷循环系统以及低温等离子体产生装置中的至少一个的工作参数。
Description
技术领域
本说明书涉及食品保鲜领域,特别涉及一种船舶用食品保鲜冷库、方法、系统及介质。
背景技术
在船舶上,船舶用的冷库可以对本船和船队其他船舶捕捞的鱼获进行冷却、冷冻加工和贮存,还可以为船员提供各类冷藏的食品,满足船舶航行期间船员生活需求。与陆地上冷库不同的是,航行环境复杂多变。并且,在海水环境中,海水中的盐分通常对冷库具有一定的腐蚀性。如果冷库发生故障,则可能造成鱼获以及船员食品的变质、腐烂。
因此,希望提供一种船舶用食品保鲜冷库、方法、系统及介质,能够对鱼获及船员用食品进行保鲜并及时发现故障,保证冷库的正常工作。
发明内容
本说明书一个或多个实施例提供一种船舶用食品保鲜冷库,所述冷库包括:食品保鲜单元、温度湿度监测装置和处理器;处理器与食品保鲜单元、温度湿度监测装置通信连接;食品保鲜单元包括:多个储存仓,用于储存食品;制冷装置,包括压缩机和制冷剂管道,用于产生冷空气进行制冷;制冷循环系统,包括风机和多组循环管道,与制冷装置机械连接,用于将冷空气分别输送至多个储存仓中的每一个进行循环;空气过滤器,与制冷循环系统机械连接,用于过滤空气;以及低温等离子体产生装置,与制冷循环系统机械连接,用于生成低温等离子体;并通过制冷循环系统将低温等离子体输送至多个储存仓中的每一个;温度湿度监测装置用于获取温度数据和湿度数据;处理器用于基于温度数据和湿度数据,确定并发出控制指令,以控制制冷装置、制冷循环系统以及低温等离子体产生装置中的至少一个的工作参数。
本说明书一个或多个实施例提供一种船舶用食品保鲜系统,所述方法由船舶用食品保鲜冷库实现,船舶用食品保鲜冷库包括:食品保鲜单元、温度湿度监测装置和处理器,处理器与食品保鲜单元、温度湿度监测装置通信连接;所述方法由处理器执行,包括:通过温度湿度监测装置获取温度数据和湿度数据;基于温度数据和湿度数据,确定并发出控制指令,以控制制冷装置、制冷循环系统以及低温等离子体产生装置中的至少一个的工作参数。
本说明书一个或多个实施例提供一种船舶用食品保鲜系统,所述系统应用于船舶用食品保鲜冷库,所述船舶用食品保鲜冷库包括:食品保鲜单元、温度湿度监测装置和处理器,所述处理器与所述食品保鲜单元、所述温度湿度监测装置通信连接;所述系统执行如上述实施例任一项所述的船舶用食品保鲜方法。
本说明书实施例之一提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如上述实施例中任一项所述的船舶用食品保鲜方法。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的船舶用食品保鲜冷库的示例性示意图;
图2是根据本说明书一些实施例所示的船舶用食品保鲜方法的示例性流程图;
图3是根据本说明书一些实施例所示的智能输送装置执行食品输送的示例性流程图;
图4是是根据本说明书一些实施例所示的通过降温速度确定模型确定平均降温速度的示例性示意图;
图5是根据本说明书一些实施例所示的通过消杀时间确定模型确定低温等离子体消杀时间的示例性示意图;
图6是根据本说明书一些实施例所示的基于故障概率发出检修指令的示例性流程图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的船舶用食品保鲜冷库的示例性示意图。
船舶用食品保鲜冷库100可以用于船舶,用于对食品进行储存及保鲜处理。其中,食品可以包括鱼获、船员用的食品(如,蔬菜瓜果、猪牛肉等)。保鲜处理可以包括但不限于消杀、制冷等处理。如图1所示,船舶用食品保鲜冷库100可以包括处理器111、食品保鲜单元112、温度湿度监控装置113和智能输送装置114。其中,处理器111可以与食品保鲜单元112、温度湿度监控装置113和智能输送装置114通信连接。
处理器111是控制船舶用食品保鲜冷库100对食品进行储存及保鲜处理的装置。处理器111可以用于接收/发送相关指令,从而实现对船舶用食品保鲜冷库100中各个部件的控制。例如,处理器111可以基于通过温度湿度监控装置113获取到的温度数据和湿度数据,确定并发出控制指令,以控制制冷装置、制冷循环系统以及低温等离子体产生装置中的至少一个的工作参数。关于发出控制指令以控制工作参数的更多内容可以参见图2及其有关描述。
又例如,处理器111可以基于食品的基本信息,确定多个储存仓中的每一个的制冷能耗和低温等离子体消杀时间;以及基于制冷能耗和低温等离子体消杀时间,确定目标储存仓,并将目标储存仓的相关信息发送至智能运输装置114。关于基于制冷能耗和低温等离子体消杀时间,确定目标储存仓的更多内容可以参见图4-5及其有关描述。再例如,处理器可以预测多个储存仓中的每一个在目标时间段内的故障概率;响应于故障概率满足预设条件,发出检修指令。关于发出检修指令的更多内容可以参见图6及其有关描述。
食品保鲜单元112是指对食品进行储存及保鲜处理的功能单元。在一些实施例中,食品保鲜单元112可以包括多个储存仓112-1、至少一个制冷装置112-2、至少一个制冷循环系统112-3、至少一个空气过滤器112-4以及至少一个低温等离子产生装置112-5。
储存仓112-1可以用于储存食品。多个储存仓112-1可以分别储存不同(如,不同食品类型、不同食品温度等)的食品。多个储存仓112-1中的每一个可以具有相同的体积,也可以具有不同的体积。例如,储存仓D的体积可以为4000L,储存仓E的体积也可以为5000L,储存仓F的体积可以为5000L。多个储存仓112-1中的每一个可以设置相同的温度,也可以设置不同的温度。例如,可以设置储存仓D的温度为-18℃,设置储存仓D的温度为-18℃,可以设置储存仓D的温度为0℃。
制冷装置112-2是指用于对船舶用食品保鲜冷库100进行制冷的装置。在一些实施例中,制冷装置112-2包括压缩机和制冷剂管道,用于产生冷空气进行制冷。在一些实施例中,制冷装置112-2的数量可以为一个,用于产生用于整个冷库制冷的冷空气。在一些实施例中,制冷装置112-2的数量可以与储存仓112-1的数量一致,每个制冷装置112-2可以对应一个储存仓112-1,用于产生用于对应储存仓112-1制冷的冷空气。
制冷循环系统112-3是指用于循环冷空气的系统。制冷循环系统112-3包括风机和多组循环管道,与制冷装置112-2机械连接。在一些实施例中,船舶用食品保鲜冷库100可以具有一个制冷循环系统112-3,用于将冷空气分别输送至多个储存仓中的每一个进行循环。在一些实施例中,制冷循环系统112-3的数量可以与储存仓112-1的数量一致,每个制冷循环系统112-3可以对应一个储存仓112-1,用于循环每个储存仓112-1对应的制冷装置112-2所产生的冷空气。
空气过滤器112-4是指用于过滤空气的装置。空气过滤器112-4与制冷循环系统112-3机械连接,可以过滤空气中的杂质(如,盐分、灰尘等),避免杂质造成船舶用食品保鲜冷库100污染或对船舶用食品保鲜冷库100的保鲜效果造成影响。
低温等离子体产生装置112-5是指用于生成低温等离子体,并通过低温等离子体对船舶用食品保鲜冷库100内部空气和/或食品进行消杀的装置。低温等离子体的产生量越大,说明低温等离子产生装置在单位时间内产生的等离子体越多,消杀效果越好。低温等离子体产生装置112-5与制冷循环系统112-3机械连接,并通过制冷循环系统112-3将低温等离子体输送至多个储存仓112-1中的每一个。
在一些实施例中,船舶用食品保鲜冷库100可以具有一个低温等离子体产生装置112-5,用于对整个船舶用食品保鲜冷库100内部进行消杀。在一些实施例中,低温等离子体产生装置112-5的数量可以与储存仓112-1的数量一致,每个低温等离子体产生装置112-5可以对应一个储存仓112-1,用于对每个储存仓112-1的内部和/或储存的食品进行消杀。
温度湿度监测装置113可以用于获取温度数据和湿度数据。温度湿度监测装置113可以包括温度传感器和湿度传感器。温度湿度监测装置113可以安装在冷库内外的多个不同位置(如,每个储存仓内,冷库外),采集对应位置温度数据和湿度数据。关于获取温度数据和湿度数据的更多说明可以参见图2及其有关描述。
智能输送装置114可以用于将食品输送至多个储存仓中的至少一个。在一些实施例中,智能输送装置114可以配置有包括但不限于传送带、输送机、无人物流车、智能搬运车等中的一种或多种传输装置。在一些实施例中,智能输送装置114配置有图像检测装置,用于检测食品类型和食品数量。智能输送装置114配置有热成像装置,用于检测食品温度。图像检测装置和热成像装置可以安装在智能输送装置114的入口处。关于检测食品类型、食品数量和食品温度以及输送食品的更多说明可以参见图3及其相关描述。
需要注意的是,以上对于船舶用食品保鲜冷库100的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该冷库的原理后,可能在不背离这一原理的情况下,对各个功能单元和/或部件进行任意组合,或者构成子冷库与其他功能单元连接。在一些实施例中,图1中披露的处理器111可以与食品保鲜单元112、温度湿度监控装置113和智能输送装置114可以是一个冷库中的不同单元和/或部件,也可以是一个单元或部件实现上述的两个或两个以上单元和/或部件的功能。例如,各个单元和/或部件可以共用一个处理器,各个单元和/或部件也可以分别具有各自的处理器。诸如此类的变形,均在本说明书的保护范围之内。
图2是根据本说明书一些实施例所示的船舶用食品保鲜方法的示例性流程图。如图2所示,流程200包括下述步骤。
步骤210,获取温度数据和湿度数据。在一些实施例中,步骤210可以由温度湿度监测装置执行。
温度数据可以反映与船舶用食品保鲜冷库100相关的温度情况。温度数据可以包括环境温度、冷库内的温度等。其中,环境温度可以反映冷库外的环境温度情况。
湿度数据可以反映与船舶用食品保鲜冷库100相关的湿度情况。湿度数据可以包括环境湿度、冷库内的湿度。其中,环境温度可以反映冷库外的环境湿度情况。
温度湿度监测装置可以安装在冷库内外的多个不同位置,采集温度数据和湿度数据。例如,安装在冷库内储存仓的温度湿度监测装置可以用于获取每一个储存仓的温度和湿度,又例如,安装在冷库外的温度湿度监测装置可以用于获取冷库外部的环境温度和环境湿度。
步骤220,基于温度数据和湿度数据,确定并发出控制指令,以控制制冷装置、制冷循环系统以及低温等离子体产生装置中的至少一个的工作参数。在一些实施例中,步骤220可以由处理器执行。
工作参数是指冷库各个功能单元或部件(如,储存仓、制冷装置、空气过滤器、制冷循环系统、低温等离子体产生装置等)进行食品保鲜工作的相关数据。例如,启停状态(如,关闭或开启)、工作时间(如,3小时)、工作功率(如,压缩机的制冷功率为50kW,风机的功率为20kW等)等。
控制指令可以是指控制冷库各个功能单元(如,储存仓、制冷装置、空气过滤器、制冷循环系统、低温等离子体产生装置等)的工作参数的控制信息。例如,控制指令可以是将制冷装置的制冷温度调至-18℃。控制指令可以是将制冷循环系统的功率调至60kW。控制指令还可以是低温等离子体产生装置的低温等离子体的产生量调至5L/min。
在一些实施例中,处理器可以基于温度数据和湿度数据确定控制指令。
在一些实施例中,当某个储存仓内的温度高于第一温度阈值(如,4℃)时,控制指令可以为开启制冷装置或增大制冷装置的功率。第一温度阈值是指食品在冷库中正常保鲜的最高温度。
在一些实施例中,当监测到冷库外的环境温度高于第二温度阈值(如,30℃)时,说明当前制冷装置的降温速度(即单位时间内的温度下降值,如,2.9℃/小时)低于速度阈值,控制指令也可以为开启制冷装置或增大制冷装置的功率。其中,速度阈值可以由系统默认设置或者根据历史经验值设置。第二温度阈值可以指制冷装置的降温速度为速度阈值(如,3℃/小时)时所对应的环境温度。
在一些实施例中,当某个储存仓内的湿度高于湿度阈值(如,45%)时,说明食品可能出现发霉情况,控制指令可以为开启低温等离子体发生装置或增大温等离子体发生装置的低温等离子体的产生量。其中,湿度阈值可以由系统默认设置或者根据历史经验值设置。
在一些实施例中,控制指令还可以包括提高制冷循环系统的功率。制冷循环系统可以配合制冷装置和低温等离子体发生装置配合使用。当开启制冷装置或增大制冷装置的功率时,可以同步提高循环系统的功率,从而在相同时间内可以输送更多的冷空气到储存仓。当开启低温等离子体发生装置或增大低温等离子体发生装置的功率时,也可以同步提高循环系统的功率,从而在相同时间内可以输送更多的低温等离子体到储存仓。
本说明书一些实施所述的方法,通过对船舶用食品保鲜冷库的温度数据和湿度数据进行监测,从而确定合适的控制指令,以对船舶用食品保鲜冷库的各个功能单元和/或部件进行及时调节,从而实现船舶用食品保鲜冷库内食品的保鲜,避免因温度湿度变化导致食品变质所造成的浪费,减少运行成本。
图3是根据本说明书一些实施例所示的智能输送装置执行食品输送的示例性流程图。如图3所示,流程300包括下述步骤。在一些实施例中,流程300可以由智能输送装置执行。
步骤310,检测食品的基本信息。
基本信息是指反映食品基本情况的信息。在一些实施例中,基本信息可以包括食品类型(如,鱼获、蔬菜瓜果、猪牛肉等)、食品数量(如,3吨)以及食品温度(如,15℃)。
在一些实施例中,智能输送装置可以包括图像检测装置(如,摄像头、图像传感器等)。图像检测装置可以用于采集食品的图像信息并进行图像识别确定食品类型以及食品数量。
在一些实施例中,智能输送装置可以包括热成像装置。热成像装置可以用于对食品进行红外热成像,并接收食品热辐射的红外线特定波段信号,将该信号转换成可供人类视觉分辨的图像和图形,并可以进一步计算出食品温度。应当理解的是,此处的食品温度是指食品进入储存仓前的温度。
步骤320,将食品输送至目标储存仓。
目标储存仓是指食品需要存放的储存仓。目标储存仓可以包括前述多个储存仓中的至少一个。每种食品可以对应至少一个目标储存仓。关于储存仓的更多说明,可以参见图1及其相关描述。
在一些实施例中,处理器可以预设食品类型和储存仓的对应关系,基于当前食品类型,通过预设的对应关系,确定对应的储存仓,即为目标储存仓。例如,当食品类型为鱼获时,对应储存仓A;当食品类型为蔬菜瓜果时,对应储存仓B;当食品类型为船员食用的肉类(如,猪肉、牛肉)时,对应储存仓C。
在一些实施例中,当食品数量和/或食品温度位于某一第一预设数值范围内时,处理器可以根据食品数量和/或食品温度所处的第一预设数值范围,确定对应于该预设范围内的储存仓,即目标储存仓。以食品数量为例,当食品数量小于500kg时,对应储存仓A;当食品数量位于500~1000kg之间时,对应储存仓B;当食品数量大于1000kg之间时,对应储存仓C。例如,食品数量为897kg,则目标储存仓为储存仓B。以食品温度为例,当食品温度位于-5℃~0℃之间时,对应储存仓D;当食品温度位于0℃~5℃之间时,对应储存仓E;当食品温度位于5℃~10℃之间时,对应储存仓F;当食品温度高于10℃时,对应储存仓G。例如,食品温度为7℃,则目标储存仓为储存仓F。
在一些实施例中,处理器可以基于基本信息,确定制冷能耗和低温等离子体消杀时间,并基于制冷能耗和低温等离子体消杀时间,确定目标储存仓。关于基于制冷能耗和低温等离子体消杀时间确定目标储存仓的更多说明,可以参见图4和图5及其相关描述。
在一些实施例中,还可以通过其他方式确定目标储存仓,例如,建立食品的保质期与储存仓的对应关系等方式,在此不作限制。
在一些实施例中,智能输送装置可以与多个储存仓的每一个连接。智能输送装置可以通过如,传送带、输送机等将食品输送至其对应的至少一个目标储存仓。
本说明书一些实施所述的方法,通过智能输送装置提前确定食品的基本信息,从而便于处理器确定合适的储存仓,并将食品送至目标储存仓,从而进一步优化不同食品保鲜方式,提高了食品放入储存仓的效率,节省人力物力。
在一些实施例中,处理器可以基于基本信息,确定多个储存仓中的每一个的制冷能耗和低温等离子体消杀时间,并基于制冷能耗和低温等离子体消杀时间,确定目标储存仓。
在一些实施例中,处理器可以基于基本信息、储存仓的起始温度和预设温度,确定制冷能耗和低温等离子体消杀时间。
储存仓的起始温度是指储存仓内的当前温度,可以通过前述温度湿度监测装置获取得到。预设温度是指系统或人工预先设置的储存仓需要达到的温度,如,-10℃。在预设温度下,储存仓中储存的食品不会迅速变质。不同类型的食品所对应的预设温度可以不同。例如,鱼获对应的预设温度可以为-10℃。蔬菜瓜果对应的预设温度可以为4℃。可以理解的,如果储存仓的起始温度低于或等于预设温度,则无需再进行降温。
制冷能耗是指储存仓从起始温度降至预设温度所需所消耗的电能。例如,制冷能耗可以是60kW·h。
在一些实施例中,处理器可以基于食品的基本信息、储存仓的起始温度和预设温度,确定储存仓的制冷能耗。
在一些实施例中,处理器可以利用预设规则、各种数据分析算法和/或人工经验等多种方式对基本信息进行分析,确定制冷能耗。例如,处理器可以预先基于历史食品的基本信息、储存仓的历史起始温度、历史预设温度和对应的历史实际制冷能耗,生成历史基本信息、储存仓的历史起始温度、历史预设温度和制冷能耗的对应关系。相应的,处理器可以基于当前基本信息、储存仓的当前起始温度和当前预设温度,确定与当前基本信息、储存仓的当前起始温度和当前预设温度相同或相近的历史基本信息、储存仓的历史起始温度和历史预设温度所对应的历史实际制冷能耗作为当前的制冷能耗。
在一些实施例中,处理器可以基于基本信息、储存仓的起始温度和预设温度确定平均降温速度,并基于平均降温速度确定目标制冷时间,进而确定制冷能耗。
其中,平均降温速度是指在起始温度降到预设温度的过程中平均每个单位时间内的温度下降量,如,0.1℃/分钟、5℃/小时。有关如何确定平均降温速度的更多说明可以参见下述图4及其相关描述。
目标制冷时间是指基于前述平均降温速度,从储存仓的起始温度降到预设温度所需的时间。实际制冷时间是指储存仓的起始温度降到预设温度实际所需的时间,例如,2小时。
在一些实施例中,目标制冷时间可以通过储存仓的起始温度和预设温度的温差与平均降温速度的比值确定。示例性地,储存仓的起始温度为-3℃,预设温度为-18℃,平均降温速度为5℃/小时,制冷时间为[-3-(-18)]/5=3小时。
制冷能耗可以通过制冷装置的平均工作功率与目标制冷时间相乘得到的积确定。例如,制冷装置的平均工作功率为75kW,目标制冷时间为3小时,则制冷能耗=75*3=225kW·h。
在一些实施例中,制冷装置的平均工作功率可以通过历史数据确定。例如,处理器可以预先基于历史食品的基本信息、储存仓的起始温度、预设温度和对应的制冷装置的历史实际平均工作功率确定,生成历史食品的基本信息、储存仓的起始温度、预设温度和对应的历史实际平均工作功率的对应关系。相应的,处理器可以基于当前基本信息、储存仓的当前起始温度和当前预设温度,确定与当前基本信息、储存仓的当前起始温度和当前预设温度相同或相近的历史基本信息、储存仓的历史起始温度和历史预设温度所对应的历史平均工作功率作为制冷装置的当前平均工作功率。
由于冷库工作中,可能会出现制冷故障、温度监测故障、冷库门未关闭、储存仓密封性较差等问题,因此,可能导致实际制冷时间可能超过目标制冷时间。实际制冷时间是指储存仓的起始温度降到预设温度实际所耗费的时间。
在一些实施例中,如果实际制冷时间超过目标制冷时间的数值达到预设比例阈值(如,20%)或数值阈值(如,20分钟),处理器可以发出警报指令,由冷库的相关单元(如,显示屏、指示灯、蜂鸣器等)进行报警通知。
示例性地,处理器可以设置预设比例阈值为20%。目标制冷时间为30分钟,当实际制冷时间达到36分钟(即,实际制冷时间已超出目标制冷时间20%)时,处理器可以发出警报指令,进行报警通知。又一示例地,处理器可以设置预设比例阈值为20分钟。目标制冷时间为30分钟,当实际制冷时间达到50分钟(即,实际制冷时间已超出目标制冷时间20分钟)时,处理器可以发出警报指令,进行报警通知。
本说明书一些实施例所述的方法,可以确定实际制冷时间和预设制冷时间并进行比较,从而可以尽早发现可能由制冷故障、温度监测故障、冷库门未关闭、储存仓密封性较差等情况所导致的制冷速度下降的问题,以提示相关人员对冷库进行及时的检查和维修。
在一些实施例中,处理器可以采用各种数据分析算法,对基本信息进行分析处理,确定平均降温速度。
示例性地,处理器可以预先基于历史时间中的储存仓的历史起始温度和历史预设温度、历史环境温度、历史食品数量和历史食品温度以及制冷装置的历史工作参数,确定对应的历史数据向量,并基于每个历史数据向量对应的实际降温速度,生成历史数据向量和实际降温速度的映射关系。处理器可以基于当前储存仓的起始温度和预设温度、环境温度、食品数量和食品温度以及制冷装置的工作参数,确定对应的待预测数据向量。进一步地,处理器可以基于待预测数据向量与历史数据向量的向量距离(如,欧式距离),在历史数据向量中确定与待预测数据向量的向量距离最小的至少一个目标历史数据向量。处理器可以根据映射关系,将至少一个目标历史数据向量所对应的实际降温速度作为本次平均降温速度。
在一些实施例中,处理器可以基于储存仓的起始温度和预设温度、环境温度、食品数量和食品温度以及制冷装置的工作参数,通过降温速度确定模型,确定平均降温速度。
降温速度确定模型可以用于对储存仓的起始温度和预设温度、环境温度、食品数量和食品温度以及制冷装置的工作参数进行处理,确定平均降温速度。降温速度确定模型可以是机器学习模型,例如,卷积神经网络模型、深度神经网络模型等一种或多种的组合。
图4是根据本说明书一些实施例所示的通过降温速度确定模型确定平均降温速度的示例性示意图。如图4所示,降温速度确定模型470的输入可以包括储存仓的起始温度410和预设温度420、环境温度430、食品数量440和食品温度450以及制冷装置的工作参数460,输出可以是平均降温速度480。
在一些实施例中,降温速度确定模型的参数可以通过训练得到。处理器可以基于多组带有标签的第一训练样本对初始降温速度确定模型进行训练,多组第一训练样本中的每一组可以是样本冷库的样本储存仓的样本起始温度和样本预设温度、样本环境温度、样本食品的食品数量和食品温度以及制冷装置的样本工作参数。每组第一训练样本的标签可以是样本冷库按照制冷装置的样本工作参数对样本食品进行降温后的实际平均降温速度。应当理解的是,标签可以通过人工或系统计算样本起始温度和样本预设温度的温差与实际降温时间的比值实际得到。样本冷库应当与当前待测冷库为具有相同的规格参数(如,型号、体积、工作参数等)。
将多个第一训练样本输入初始降温速度确定模型,基于初始降温速度确定模型的输出和第一训练样本的标签构建损失函数,并基于损失函数迭代更新初始降温速度确定模型的参数,当训练的模型满足预设条件时,训练结束,获取训练好的降温速度确定模型。预设条件可以包括但不限于损失函数收敛、损失函数值小于预设值或训练迭代次数达到阈值等。
本说明书的一些实施例所述的方法,通过模型对影响平均降温速度的多种因素(如,储存仓的起始温度和预设温度、环境温度、食品基本信息、制冷装置工作参数等)进行分析,从而能够更快速地预测出更准确的平均降温速度。
低温等离子体消杀时间是指低温等离子体产生装置的发生的低温等离子体完成消杀所需的时间。例如,低温等离子体消杀时间可以是100分钟。在一些实施例中,可以通过检测被消杀物品表面的微生物数,确定微生物数小于等于第一预设阈值以确定消杀完成,如,第一预设阈值可以为20个/平方厘米。
在一些实施例中,处理器可以基于基本信息,确定低温等离子体消杀时间。
在一些实施例中,处理器可以利用预设规则、各种数据分析算法和/或人工经验等多种方式对基本信息进行分析,确定低温等离子体消杀时间。例如,处理器可以预先基于历史食品的基本信息和对应的历史实际低温等离子体消杀时间,生成历史基本信息和低温等离子体消杀时间的对应关系。相应的,处理器可以基于当前基本信息与对应关系,确定与当前基本信息相同或相近的历史基本信息所对应的历史实际低温等离子体消杀时间作为当前的低温等离子体消杀时间。
在一些实施例中,处理器可以基于储存仓的体积和食品类型,通过消杀时间确定模型,确定低温等离子体消杀时间。
消杀时间确定模型可以用于对储存仓的体积和食品类型进行处理,确定低温等离子体消杀时间。消杀时间确定模型可以是机器学习模型,例如,卷积神经网络模型、深度神经网络模型等一种或多种的组合。
图5是根据本说明书一些实施例所示的通过消杀时间确定模型确定低温等离子体消杀时间的示例性示意图。如图5所示,消杀时间确定模型560的输入可以包括储存仓的体积520和食品类型520,输出可以是低温等离子体消杀时间570。
在一些实施例中,消杀时间确定模型的参数可以通过训练得到。处理器可以基于多组带有标签的第二训练样本对初始消杀时间确定模型进行训练。多组第二训练样本中的每一组可以包括样本冷库的储存仓的体积、样本食品的类型。每一组第二训练样本的标签可以是样本冷库中的低温等离子体产生装置按照某一工作参数(例如,系统默认设定参数、历史经验参数)对样本食品进行消杀所需的实际低温等离子体消杀时间。应当理解的是,标签可以通过测量实际低温等离子体消杀时间得到。样本冷库应当与当前待测冷库为具有相同的规格参数(如,型号、体积、工作参数等)。样本冷库中的低温等离子体产生装置应当与当前待测冷库的低温等离子体产生装置的工作参数一致。
处理器可以将多个第二训练样本输入初始消杀时间确定模型,对初始消杀时间确定模型进行训练。关于后续训练的更多说明可以参见前述对初始降温速度确定模型的训练的描述。
在一些实施例中,除储存仓的体积和食品类型以外,消杀时间确定模型的输入还可以包括储存仓的起始温度和平均降温速度,其中,平均降温速度可以是前述基于基本信息确定的平均降温速度。应当理解的是,储存仓的起始温度越高则说明食品可能越快发生腐败变质,消杀时间应当越长。冷库的平均降温速度越大则说明冷库降到预设温度越快,消杀时间应当越短。
如图5所示,消杀时间确定模型560可以对输入的储存仓的体积510和储存仓的起始温度530、食品类型520以及平均降温速度540进行处理,输出低温等离子体消杀时间570。其中,低温等离子体消杀时间570可以是低温等离子体产生装置基于某一预设工作参数(如,系统默认设定参数、历史经验参数)下所对应的消杀时间。
在一些实施例中,降温速度确定模型的输出可以为消杀时间确定模型的输入,降温速度确定模型、消杀时间确定模型可以联合训练得到。
在一些实施例中,联合训练的样本数据包括储存仓的样本体积、样本起始温度、样本预设温度、样本环境温度、样本食品数量、样本食品温度、样本食品类型以及制冷装置的样本工作参数,标签为低温等离子体产生装置按照与前述预设工作参数(例如,系统默认设定参数、历史经验参数)相同的工作参数对样本食品进行消杀所需的实际低温等离子体消杀时间。
将储存仓的样本起始温度和样本预设温度、样本环境温度、样本食品数量和样本食品温度以及制冷装置的样本工作参数输入降温速度确定模型,得到降温速度确定模型输出的平均降温速度;将平均降温速度作为训练样本数据,和储存仓的样本体积、样本起始温度以及食品类型一起输入消杀时间确定模型,得到消杀时间确定模型输出的低温等离子体消杀时间。基于实际低温等离子体消杀时间和消杀时间确定模型输出的低温等离子体消杀时间构建损失函数,同步更新降温速度确定模型和消杀时间确定模型的参数。通过参数更新,得到训练好的消杀时间确定模型。
在一些实施例中,除前述输入的储存仓的体积和起始温度、食品类型和平均降温速度以外,消杀时间确定模型的输入还可以包括故障概率,其中,故障概率是指储存仓发生故障的概率,关于如何确定故障概率的更多内容可以参见图6及其相关描述。如图5所示,消杀时间确定模型560可以对输入的储存仓的体积510和储存仓的起始温度530、食品类型520、平均降温速度540以及故障概率550进行处理,输出低温等离子体消杀时间570。
在一些实施例中,联合训练的样本数据还包括样本故障概率,在联合训练时,可以和降温速度确定模型输出的平均降温速度、储存仓的样本体积、样本起始温度以及食品类型一起输入消杀时间确定模型中。
本说明书的一些实施例所述的方法,通过模型对影响低温等离子体消杀时间的多种因素(如,储存仓的起始温度和体积、食品类型、平均降温速度和故障概率等)进行分析,从而能够更快速地预测出更准确的低温等离子体消杀时间。其中,通过对降温速度确定模型和消杀时间确定模型的联合训练,可以使消杀时间确定模型的训练效果更加充分,从而使模型参数更加适应于低温等离子体消杀时间的预测,提高对低温等离子体消杀时间预测准确率。
在一些实施例中,处理器可以基于制冷能耗和低温等离子体消杀时间,确定目标储存仓。
在一些实施例中,处理器可以基于制冷能耗低于制冷能耗阈值和低温等离子体消杀时间低于消杀时间阈值所对应的一个或多个储存仓作为目标储存仓。其中,制冷能耗阈值和消杀时间阈值均可以是系统默认值、经验值、人为预先设定值等或其任意组合,可以根据实际需求设定。示例性地,智能处理器可以预先设置制冷能耗阈值为100kW·h,消杀时间阈值为30分钟。储存仓L对应的制冷能耗阈值为150kW·h,低温等离子体消杀时间为30分钟。储存仓M对应的制冷能耗阈值为140kW·h,低温等离子体消杀时间为32分钟。储存仓N对应的制冷能耗阈值为93kW·h,低温等离子体消杀时间为27分钟。因此,制冷能耗低于制冷能耗阈值和低温等离子体消杀时间低于消杀时间阈值所对应的储存仓为储存仓N,储存仓N为目标储存仓。
在一些实施例中,处理器可基于制冷能耗成本和低温等离子体消杀成本确定多个储存仓中的每一个的保鲜成本,基于保鲜成本确定目标储存仓。
其中,制冷成本是指冷库制冷所需的费用。制冷成本可以通过制冷能耗乘以能耗单价确定。能耗单价可以是用电单价。例如,制冷能耗为200kW·h,能耗单价为2元/kW·h,则制冷成本为200*2=400元。
低温等离子体消杀成本是指低温等离子体消杀所需的费用。低温等离子体消杀成本可以通过低温等离子体消杀时间与单位时间的消杀费用相乘确定。其中,单位时间的消杀费用可以通过低温等离子体产生装置的历史使用成本(如,历史能源消耗成本、历史低温等离子体产生装置的维修和更换成本等)和历史使用时间的比值确定。例如,低温等离子体消杀时间为30分钟,单位时间的消杀费用为3元/分钟,则低温等离子体消杀成本为30*3=90元。
在一些实施例中,保鲜成本可以通过如下公式确定:
S=α*A+β*B (1)
其中,S为保鲜成本。A为制冷成本。B为低温等离子体消杀成本。α和β分别为制冷成本的权重和低温等离子体消杀成本的权重,可以是是系统默认值、经验值、人为预先设定值等或其任意组合,可以根据实际需求设定。例如,制冷成本的权重可以为0.6,低温等离子体消杀成本可以为0.4。
在一些实施例中,在计算保鲜成本时,同一储存仓所储存的食品类型不同,制冷成本的权重和低温等离子体消杀成本的权重可能不同。例如,食品类型为蔬菜瓜果类因为本身可能携带有细菌、虫卵等,因此需要重点进行消杀,其对应的低温等离子体消杀成本的权重(如,0.75)应当高于食品类型为牛奶、香肠等密封或腌制食品时的低温等离子体消杀成本权重(如,0.45)。
在一些实施例中,除制冷能耗成本和低温等离子体消杀成本以外,还可以结合故障概率确定保鲜成本,其中,关于如何确定故障概率的更多内容可以参见图6及其相关描述。示例性地,保鲜成本还可以通过如下公式确定:
S=α*A+β*B+γ*C (2)
其中,C为储存仓的故障成本。γ为故障概率。故障成本是指储存仓维修和更换的成本,可以基于历史维修和更换所需的费用的均值确定。应当理解的是,故障概率越高,则故障成本在保鲜成本中的占比越大。
本说明书一些实施所述的方法,通过确定每个储存仓的制冷能耗和低温等离子体消杀时间以确定保鲜成本,从而确定保鲜成本最低的储存仓作为目标储存仓,节约了能耗,降低了船舶用食品保鲜冷库的运行成本。
在一些实施例中,处理器可以将保鲜成本最低的储存仓作为目标储存仓。例如,储存仓D的保鲜成本为103元,储存仓E的保鲜成本为87元,储存仓F的保鲜成本为77元,。则储存仓F可以作为目标储存仓。
在一些实施例中,处理器还可以将保鲜成本低于第二预设阈值的一个或多个储存仓作为目标储存仓。第二预设阈值可以是人工根据历史经验值确定。例如,第二预设阈值可以为100元,储存仓D的保鲜成本为103元,储存仓E的保鲜成本为87元,储存仓F的保鲜成本为77元,。则储存仓E和F可以作为目标储存仓。
本说明书一些实施所述的方法,通过确定每个储存仓的制冷能耗和低温等离子体消杀时间,从而确定适合当前食品储存的目标储存仓,提高了船舶用食品保鲜冷库的制冷效率,降低了船舶用食品保鲜冷库的保鲜成本。
图6是根据本说明书一些实施例所示的基于故障概率发出检修指令的示例性流程图。如图6所示,流程600包括下述步骤。在一些实施例中,流程600可以由处理器执行。
步骤610,预测多个储存仓中的每一个在目标时间段内的故障概率。
在一些实施例中,处理器可以基于每个储存仓的盐分参数、运行时长参数以及制冷装置和制冷循环系统的工作参数,确定每个储存仓在目标时间段内的故障概率。
如果船舶在海水环境中,储存仓的空气中不可避免会出现盐分。盐分不仅会影响储存仓的制冷效果,还会腐蚀冷库内的各个功能单元/部件。盐分参数可以反映每个储存仓内的盐分含量。盐分含量是指单位体积大气中的含盐量,如0.07g/L。盐分含量可以通过如,盐分测定仪等仪器确定。盐分参数可以用盐分参数的统计分布值(G1,G2,G3……,Gn)表示,其中,盐分参数的统计分布值中的每个元素可以对应一个盐分含量区间,每个元素的值可以为对应盐分含量区间所对应存在的天数。盐分含量区间可以根据实际需求预先进行划分。例如,过去30天内,盐分含量在区间为0~25%的天数为2天,盐分含量在区间为25~50%的天数为16天,盐分含量在区间为50%~75%的天数为8天,盐分含量在盐分含量区间为75%以上的天数为4天,则盐分参数的统计分布值可以表示为(2,16,8,4)。
运行时长参数可以反映每个储存仓所对应的制冷装置每天工作时间的相关情况。运行时长参数可以用运行时长参数的统计分布值(T1,T2,……,Tn)表示,其中,运行时长参数的统计分布值中的每个元素可以对应一个运行时长或运行时长区间,每个元素的值可以为对应运行时长或运行时长区间所对应存在的天数。其中,运行时长区间可以根据实际需求预先进行划分或设定。例如,过去30天内,运行时长在8小时的天数为5天,运行时长在24小时的天数为25天。运行时长统计分布值的第一个元素可以表示运行时长在8小时的天数,第二个元素可以表示运行时长在24小时的天数。则运行时长统计分布值可以表示为(5,25)。
制冷装置和制冷循环系统的工作参数可以包括每个储存仓对应的压缩机功率、风机功率和出风量等。在一些实施例中,制冷装置和制冷循环系统的工作参数还可以用于确定故障类型(如,风机故障、压缩机故障等)。
例如,如果某一段时间内(如,1小时内),压缩机功率与压缩机的历史平均功率的差值的绝对值超过第三预设阈值(如,100W)时,或者该段时间内的最大功率值与最小功率值的差值超过第四预设阈值(如,150W)时,则处理器可以确定故障类型为压缩机故障。又例如,如果某一段时间内(如,1小时内),风机功率与风机的历史平均功率的差值的绝对值超过第五预设阈值(如,200W)时,或者该段时间内的最大功率值与最小功率值的差值超过第六预设阈值(如,250W)时,则处理器可以确定故障类型为风机故障。第三阈值、第四阈值、第五阈值以及第六阈值均可以由系统默认设置或者根据历史经验值设置。。
目标时间段是指需要确定故障概率的未来时间段。例如,未来一周、未来30天等。在一些实施例中,目标时间段可以与前述盐分参数的统计分布值和运行时长参数的统计分布值的时间段(如,过去30天内)对应,例如,目标时间段可以与过去30天对应,为未来30天。
在一些实施例中,处理器可以通过建模或者其他数据分析方式确定故障概率。例如,处理器可以预先将储存仓的历史盐分参数、历史运行时长参数以及制冷装置和制冷循环系统的历史工作参数作为参考数据,生成参考数据和对应的历史故障概率的映射关系表。通过查询映射关系表中与本次储存仓的盐分参数、运行时长参数以及制冷装置和制冷循环系统的工作参数相同或相近的参考数据,将其对应的历史故障概率作为本次故障概率。
在一些实施例中,处理器可以基于盐分参数、运行时长参数以及制冷装置和制冷循环系统的工作参数,通过故障概率确定模型,确定储存仓在目标时间段内的故障概率。
故障概率确定模型可以用于对盐分参数、运行时长参数以及制冷装置和制冷循环系统的工作参数进行处理,确定储存仓在目标时间段内的故障概率。故障概率确定模型可以是机器学习模型,例如,卷积神经网络模型、深度神经网络模型等一种或多种的组合。故障概率模型的输入可以包括盐分参数、运行时长参数以及制冷装置和制冷循环系统的工作参数,输出可以是目标时间段内的故障概率。
在一些实施例中,故障概率确定模型的参数可以通过训练得到。处理器可以基于多组带有标签的第三训练样本对初始故障概率确定模型进行训练,第三训练样本中的每一组可以包括样本储存仓的样本盐分参数、样本运行时长参数、样本制冷装置和样本制冷循环系统的工作参数。每组第三训练样本的标签可以是该储存仓的故障情况,当样本储存仓存在故障时标签可以为1,当样本储存仓不存在故障时标签可以为0。应当理解的是,样本储存仓与待测试储存仓应当为同一型号冷库中的同一体积的储存仓。
处理设备可以采集历史一段时间(如一天、一周、一个月等)内的多个样本储存仓的盐分参数、运行时长参数、制冷装置和制冷循环系统的工作参数作为第三训练样本,该时间段内样本储存仓的故障信息作为第三训练样本的标签,样本储存仓的故障信息可以根据在该时间段内对样本储存仓的工作情况进行人工监测获取。
将多个第三训练样本输入初始故障概率确定模型,对初始故障概率确定模型进行训练。关于后续训练方式的更多说明可以参见前述对初始降温速度确定模型的训练的描述。
在一些实施例中,除前述输入的储存仓的盐分参数、运行时长参数以及制冷装置和制冷循环系统的工作参数以外,故障概率确定模型的输入还可以包括实际制冷时间和目标制冷时间的比值,其中,实际制冷时间和目标制冷时间的比值与,可以用比值的统计分布值(R1,R2,R3……,Rn)表示。其中,比值的统计分布值中的每个元素可以对应一个比值或比值区间,每个元素的值可以为对应比值或比值区间所对应存在的天数。比值区间可以根据实际需求预先进行划分。例如,过去30天内,比值位于比值区间0.8~0.9的天数为2天,比值位于比值区间0.9~1.0的天数为15天,比值位于比值区间1.0~1.2的天数为12天,比值大于1.2的天数为1天,则比值的统计分布值可以表示为(2,15,12,1)。应当理解的是,实际制冷时间和目标制冷时间的比值越大,则说明制冷效果不佳,则故障概率相应越高。
在一些实施例中,第三训练样本中的每一组还可以包括样本实际制冷时间和样本目标制冷时间的比值。。
步骤620,响应于故障概率满足预设条件,发出检修指令。
在一些实施例中,处理器可以设置预设条件为故障概率大于等于故障概率阈值。故障概率阈值可以为系统默认值或历史经验值。例如,设置故障概率阈值为20%。如果故障概率为25%,则确定故障概率满足预设条件。如果故障概率为17%,则确定故障概率不满足预设条件。
检修指令可以包括需要检修储存仓的相关提示信息。其中,相关提示信息可以包括但不限于故障类型、故障概率、上次储存仓维修日等信息。
在一些实施例中,处理器可以响应于故障概率满足预设条件,以包括但不限于数据指令、警报、短信、文本推送、图像、视频、语音、广播等一种或多种形式的组合向目标单元和/或终端(如,冷库的警报器、负责维修冷库的工作人员的终端等)发出检修指令以提示相关人员对储存仓进行检修。
在一些实施例中,处理器还可以对故障概率大于等于故障概率阈值的储存仓,增加低温等离子体消杀时间。
在一些实施例中,故障概率超出故障概率阈值的超出数值位于某一第二预设范围内时,所增加的低温等离子体消杀时长可以是对应于该第二预设范围内的预设时长。超出数值可以通过故障概率与故障概率阈值的差值确定。应当理解的是,当故障概率越大,则为了避免和延缓突发故障引起的温度上升细菌滋生问题,应当增加低温等离子体消杀时间。
仅作为示例地,当超出数值位于0~10%之间时,增加的低温等离子体消杀时间可以为10分钟;当超出数值位于10~20%之间时,增加的低温等离子体消杀时间可以为20分钟;当超出数值大于20%时,增加的低温等离子体消杀时间可以为30分钟。例如,故障概率为54%,故障概率阈值为30%。故障概率超出故障概率阈值的数值为54%-30%=24%,大于20%。此时,对应的增加的低温等离子体消杀时间可以为30分钟。
本说明书一些实施所述的方法,通过确定目标时间段的储存仓的故障概率,从而可以提醒相关人员对储存仓进行及时的保养和维修,保证储存仓可以正常工作,并为确定储存仓的保鲜成本提供依据。
本说明书实施例还提供一种船舶用食品保鲜系统,应用于船舶用食品保鲜冷库,船舶用食品保鲜冷库包括:食品保鲜单元、温度湿度监测装置和处理器,处理器与食品保鲜单元、温度湿度监测装置通信连接;船舶用食品保鲜系统执行如本说明书实施例提供的任意一种船舶用食品保鲜方法。
本说明书实施例还提供一种计算机可读存储介质,存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机运行如本说明书实施例提供的任意一种船舶用食品保鲜方法。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种船舶用食品保鲜冷库,其特征在于,所述冷库包括:食品保鲜单元、温度湿度监测装置和处理器;所述处理器与所述食品保鲜单元、所述温度湿度监测装置通信连接;
所述食品保鲜单元包括:
多个储存仓,用于储存食品;
制冷装置,包括压缩机和制冷剂管道,用于产生冷空气进行制冷;
制冷循环系统,包括风机和多组循环管道,与所述制冷装置机械连接,用于将所述冷空气分别输送至所述多个储存仓中的每一个进行循环;
空气过滤器,与所述制冷循环系统机械连接,用于过滤空气;以及
低温等离子体产生装置,与所述制冷循环系统机械连接,用于生成低温等离子体;并通过所述制冷循环系统将所述低温等离子体输送至所述多个储存仓中的每一个;
所述温度湿度监测装置用于获取温度数据和湿度数据;
所述处理器用于基于所述温度数据和所述湿度数据,确定并发出控制指令,以控制所述制冷装置、所述制冷循环系统以及所述低温等离子体产生装置中的至少一个的工作参数。
2.如权利要求1所述的船舶用食品保鲜冷库,其特征在于,所述冷库还包括:与所述处理器通信连接的智能输送装置,所述智能输送装置与所述多个储存仓的每一个连接,用于:
检测所述食品的基本信息,其中,所述基本信息包括食品类型、食品数量以及食品温度;以及
将所述食品输送至目标储存仓,所述目标储存仓为所述多个储存仓中的至少一个。
3.如权利要求2所述的船舶用食品保鲜冷库,其特征在于,为确定所述目标储存仓,所述处理器进一步用于:
基于所述基本信息,确定所述多个储存仓中的每一个的制冷能耗和低温等离子体消杀时间;以及
基于制冷能耗和低温等离子体消杀时间,确定所述目标储存仓。
4.如权利要求1所述的船舶用食品保鲜冷库,其特征在于,所述处理器还用于:
预测所述多个储存仓中的每一个在目标时间段内的故障概率;
响应于故障概率满足预设条件,发出检修指令。
5.一种船舶用食品保鲜方法,其特征在于,所述方法由船舶用食品保鲜冷库实现,所述船舶用食品保鲜冷库包括:食品保鲜单元、温度湿度监测装置和处理器,所述处理器与所述食品保鲜单元、所述温度湿度监测装置通信连接;所述方法由所述处理器执行,包括:
通过所述温度湿度监测装置获取温度数据和湿度数据;
基于所述温度数据和所述湿度数据,确定并发出控制指令,以控制所述制冷装置、所述制冷循环系统以及所述低温等离子体产生装置中的至少一个的工作参数。
6.如权利要求5所述的船舶用食品保鲜方法,其特征在于,所述方法还包括:
通过智能输送装置检测所述食品的基本信息,其中,所述基本信息包括食品类型、食品数量以及食品温度;以及
通过所述智能输送装置,将所述食品输送至目标储存仓,所述目标储存仓为所述多个储存仓中的至少一个。
7.如权利要求6所述的船舶用食品保鲜方法,其特征在于,为确定所述目标储存仓,所述方法进一步包括:
基于所述基本信息,确定多个储存仓中的每一个的制冷能耗和低温等离子体消杀时间;以及
基于制冷能耗和低温等离子体消杀时间,确定所述目标储存仓。
8.如权利要求5所述的船舶用食品保鲜方法,其特征在于,所述方法还包括:
预测所述多个储存仓中的每一个在目标时间段内的故障概率;
响应于故障概率满足预设条件,发出检修指令。
9.一种船舶用食品保鲜系统,其特征在于,所述系统应用于船舶用食品保鲜冷库,所述船舶用食品保鲜冷库包括:食品保鲜单元、温度湿度监测装置和处理器,所述处理器与所述食品保鲜单元、所述温度湿度监测装置通信连接;所述系统执行如权利要求5-8任一项所述的船舶用食品保鲜方法。
10.一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如权利要求5-8任一项所述的船舶用食品保鲜方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310004237.6A CN115892434A (zh) | 2023-01-03 | 2023-01-03 | 一种船舶用食品保鲜冷库、方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310004237.6A CN115892434A (zh) | 2023-01-03 | 2023-01-03 | 一种船舶用食品保鲜冷库、方法、系统及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115892434A true CN115892434A (zh) | 2023-04-04 |
Family
ID=86482470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310004237.6A Withdrawn CN115892434A (zh) | 2023-01-03 | 2023-01-03 | 一种船舶用食品保鲜冷库、方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115892434A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116182471A (zh) * | 2023-04-24 | 2023-05-30 | 烟台永诚制冷科技有限公司 | 智能化的节能冷库制冷系统及方法 |
CN117760143A (zh) * | 2023-12-26 | 2024-03-26 | 广东玖尚电子科技有限公司 | 一种等离子保鲜柜及保鲜柜控制系统 |
-
2023
- 2023-01-03 CN CN202310004237.6A patent/CN115892434A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116182471A (zh) * | 2023-04-24 | 2023-05-30 | 烟台永诚制冷科技有限公司 | 智能化的节能冷库制冷系统及方法 |
CN116182471B (zh) * | 2023-04-24 | 2023-07-18 | 烟台永诚制冷科技有限公司 | 智能化的节能冷库制冷系统及方法 |
CN117760143A (zh) * | 2023-12-26 | 2024-03-26 | 广东玖尚电子科技有限公司 | 一种等离子保鲜柜及保鲜柜控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115892434A (zh) | 一种船舶用食品保鲜冷库、方法、系统及介质 | |
Bruckner et al. | A predictive shelf life model as a tool for the improvement of quality management in pork and poultry chains | |
EP3472540B1 (en) | System and method for monitoring the quality of perishable goods | |
Selamoglu | Importance of the cold chain logistics in the marketing process of aquatic products: An update study | |
CN109073316B (zh) | 运输制冷单元的自动诊断 | |
James | Food transportation and refrigeration technologies—Design and optimization | |
Budijono | Smart temperature monitoring system using ESP32 and DS18B20 | |
Ndraha et al. | Challenges with food waste management in the food cold chains | |
Kreyenschmidt et al. | Modeling shelf life using microbial indicators | |
Zanoni et al. | Environmental impacts of foods refrigeration | |
Jedermann et al. | Linking keeping quality models and sensor systems to an autonomous transport supervision system | |
CN112268408B (zh) | 智能保鲜仓管控方法、系统、装置及计算存储介质 | |
CN115034698A (zh) | 一种生鲜产品的监测方法、系统和服务器 | |
Martínez-Martínez et al. | Novel refrigerated preservation performance indicator based on predictive microbiology and product time-temperature data, an essential tool to reach zero food waste | |
CN113932558B (zh) | 冰箱内食材保质期的确定方法 | |
CN213119677U (zh) | 冷库远程控制装置 | |
Nordtvedt et al. | Refrigeration and sustainability in the seafood cold chain | |
Kale et al. | Need for predictive data analytics in cold chain management | |
WO2019105288A1 (zh) | 保鲜设备、冷链运输装置、冷链系统及产品的定价方法 | |
Sprong et al. | Quality-aware control for optimizing meat supply chains | |
CN117078142A (zh) | 一种用于冷链的联动监控方法和系统 | |
Tang et al. | Tackling food loss in Vietnam Logistics sector VIA technology | |
CN212566425U (zh) | 一种箱体低温控制系统 | |
Estrada-Flores et al. | Electricity usage in the Australian cold chain | |
Maruthi et al. | Monitoring Perishable Foods using Machine Learning and Internet of Things |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230404 |