CN116739617A - 一种基于数据分析的食品相关产品风险管理系统及方法 - Google Patents
一种基于数据分析的食品相关产品风险管理系统及方法 Download PDFInfo
- Publication number
- CN116739617A CN116739617A CN202310675477.9A CN202310675477A CN116739617A CN 116739617 A CN116739617 A CN 116739617A CN 202310675477 A CN202310675477 A CN 202310675477A CN 116739617 A CN116739617 A CN 116739617A
- Authority
- CN
- China
- Prior art keywords
- risk
- data
- food
- real
- production
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 235000013305 food Nutrition 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000007405 data analysis Methods 0.000 title claims abstract description 19
- 238000004519 manufacturing process Methods 0.000 claims abstract description 97
- 238000005457 optimization Methods 0.000 claims abstract description 71
- 238000012502 risk assessment Methods 0.000 claims abstract description 59
- 238000007726 management method Methods 0.000 claims abstract description 22
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims description 24
- 238000012544 monitoring process Methods 0.000 claims description 17
- 239000000463 material Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 239000002994 raw material Substances 0.000 claims description 4
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims description 2
- 238000007689 inspection Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000000645 desinfectant Substances 0.000 description 2
- 239000003599 detergent Substances 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 241001330002 Bambuseae Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 210000003298 dental enamel Anatomy 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- -1 enamel Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000005022 packaging material Substances 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 239000000123 paper Substances 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000005060 rubber Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数据分析的食品相关产品风险管理系统及方法,涉及食品风险管理技术领域;具体步骤为:基于大数据平台获取相关数据,并进行筛选,构建基础数据库;利用机器学习模型以及基础数据库分别构建风险评估模型、实时策略优化模型;获取食品相关产品生产过程的实时数据,利用风险评估模型获得风险分析报告;基于风险分析报告、食品相关产品生产过程的实时数据,利用实时策略优化模型生成优化策略;将优化策略输入风险评估模型获得优化后的风险分析报告;基于风险分析报告、优化后的风险分析报告和优化策略对食品相关产品生产进行实时调控;本发明对优化策略进行风险评估,二次验证优化策略的准确性,提高食品相关产品的食品安全程度。
Description
技术领域
本发明涉及食品风险管理技术领域,更具体的说是涉及一种基于数据分析的食品相关产品风险管理系统及方法。
背景技术
食品是人类赖以生存和发展的最基本物质条件,而食品安全也是人民群众最担忧和关注的问题之一。
食品相关产品是指“用于食品的包装材料、容器、洗涤剂、消毒剂和用于食品生产经营的工具、设备”。食品相关产品对保障食品安全具有重要作用。
目前我国食品相关产品包括纸、竹、木、金属、搪瓷、陶瓷、塑料、橡胶、纤维、玻璃、涂料、洗涤剂、消毒剂等材质近百种产品,使用对象涉及食品生产企业、家食品经营者以及亿万家庭,呈现“种类多、企业多、应用广”的特点。食品相关产品的安全对食品的安全至关重要,而现有的风险管理系统多是食品安全为主的,基本以预警系统为基础,对可能出现的风险的概率进行测算,再根据风险出现的概率值进行保全措施,如公开号为:CN108830507A,名称为:一种食品安全风险预警方法,通过预测未来不同食品品类在不同地理区域的风险指数,为抽检人员提供抽检依据,提高抽检针对性,提高食品安全检验效率,降低食品安全风险。但是由食品相关产品导致的食品安全问题,分析食品相关产品的风险管理技术也是非常重要的,因此如何通过食品相关产品生产过程、检验、检查等数据对食品相关产品的风险进行前瞻性预测,避免由食品相关产品风险引发的食品安全问题是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于数据分析的食品相关产品风险管理系统及方法,克服了上述缺陷。
为了实现上述目的,本发明提供如下技术方案:
一种基于数据分析的食品相关产品风险管理方法,具体步骤为:
基于大数据平台获取相关数据,并对相关数据进行筛选,构建基础数据库;
利用机器学习模型以及基础数据库分别构建风险评估模型、实时策略优化模型;
获取食品相关产品生产全过程的实时数据,利用风险评估模型进行评估并输出风险分析报告;
基于风险分析报告、食品相关产品生产的实时数据,利用实时策略优化模型生成优化策略;
将优化策略输入风险评估模型获得优化后的风险分析报告;
基于风险分析报告、优化后的风险分析报告和优化策略对食品相关产品生产进行实时调控。
可选的,基础数据库的构建步骤为:
利于网络爬虫脚本从大数据平台中抓取与食品安全相关的数据;
对抓取的数据进行归一化处理;
将归一化处理后的数据按照预设规则构建基础数据库。
可选的,风险评估模型的构建步骤为:
基于基础数据库确定多个评价指标;
将多个评价指标输入预先训练好的机器学习模型中,获得各个评价指标的权重;
根据各个评价指标以及其对应的权重,构建风险评估模型。
可选的,实时策略优化模型的构建步骤为:
利用控制变量法基于基础数据库构建不同材质食品相关产品的多个生产线;
对多个生产线进行风险评估,获得多个生产线的风险评价参数;
根据生产线的风险评价参数对构建的多个生产线进行精简;
利用精简后的生产线的各项参数对BP神经网络进行训练,获得实时策略优化模型。
可选的,实时策略优化模型还可用于生产线的选择,具体步骤为:
将生产线的部分参数输入实时策略优化模型中,获得生产线的剩余参数;
根据获得的剩余参数获得完整的生产线参数;
根据完整的生产线参数构建生产线。
可选的,优化策略若为多个,根据易于实施的程度进行排序。
一种基于数据分析的食品相关产品风险管理系统,包括:
基础数据层:用于获取食品相关产品的基础数据、食品相关产品的生产数据以及风险数据,并构建基础数据库;食品相关产品的基础数据包括生产设备的参数、原材料参数、食品接触材料用添加剂参数;食品相关产品的生产数据包括食品相关产品加工工艺、参考标准、生产制度;风险数据包括食品相关产品监督抽查、风险监测、食品安全事件等相关参数;
数据分析层:用于基于食品相关产品的基础数据、食品相关产品的生产数据以及风险数据,利用机器学习模型构建风险评估模型以及实时策略优化模型,获得风险分析报告以及优化策略;
数据应用层:用于根据风险分析报告以及优化策略对食品相关产品进行实时调控。
可选的,基础数据库包括食品相关产品数据库、食品相关产品的生产数据库以及风险数据库。
可选的,风险分析报告是基于生产线的实时数据获得的,实时数据从生产线上根据风险数据库确定的各个监测点采集。
可选的,还包括报警模块,用于对各个监测点的数据异常情况进行报警。
经由上述的技术方案可知,与现有技术相比,本发明公开了一种基于数据分析的食品相关产品风险管理系统及方法,通过对生产过程的实时数据进行风险评估,若有风险时,则通过实时策略优化模型获得优化策略,用于对生产过程中的参数进行矫正,避免问题食品的产生;同时对优化策略进行风险评估,能够对优化策略的风险程度进行清晰的了解,从而对生产过程进行最佳的调控,且对优化策略进行风险评估,能够二次验证优化策略的准确性,提高食品生产的安全程度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明的方法流程示意图;
图2为本发明的系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明实施例公开了一种基于数据分析的食品相关产品风险管理方法,如图1所示,具体步骤为:
步骤1、基于大数据平台获取相关数据,并对相关数据进行筛选,构建基础数据库,其中,基础数据库的构建步骤为:
利于网络爬虫脚本从大数据平台中抓取与食品安全相关的数据,其中,相关数据包括:食品相关产品名称、生产原料、生产加工设备、生产加工工艺、产品标准、生产过程标准、监督抽查、风险监测、食品安全事件等参数;
对抓取的数据进行归一化处理;具体为:对相关数据进行抽取、清洗、转换,获得归一化数据;
将归一化处理后的数据按照预设规则构建基础数据库;
本实施例中,基础数据库分为三大数据平台,分别为食品相关产品数据库、食品相关产品的生产数据库以及风险数据库;各个数据库中的数据按照类别分类存储,风险数据库中数据为食品相关产品监督抽查、风险监测的时间、结果;食品安全事件的时间、原因、安全事件中产品的各项参数。
步骤2、利用机器学习模型以及基础数据库分别构建风险评估模型、实时策略优化模型,具体步骤为:
风险评估模型的构架步骤为:
步骤211、基于基础数据库确定多个评价指标,具体为:对食品相关产品数据库、食品相关产品的生产数据库中数据进行相关性分析,筛选出预设目标的数据作为评价指标;本实施例中是利用各个数据之间的相关系数高于预设阈值,则删除其一,直至各个数据间的相关系数低于预设阈值;在另一实施例中,可以通过计算各个数据与食品安全的相关系数,从高到低保留预设数目的数据作为评价指标。
步骤212、将多个评价指标输入预先训练好的机器学习模型中,获得各个评价指标的权重,具体为:根据历史经验数据,在有风险和无风险两个类别中选择多个训练样本;将训练样本中各个评价指标的参数作为机器学习模型的输入,以风险类别作为机器学习模型的输出,对机器学习模型进行训练,得到各个评价指标的权重;
步骤213、根据各个评价指标以及其对应的权重,构建风险评估模型。
实时策略优化模型的构建步骤为:
步骤221、利用控制变量法基于基础数据库构建多个生产线;
步骤222、对多个生产线进行风险评估,获得多个生产线的风险评价参数;
步骤223、根据生产线的风险评价参数对构建的多个生产线进行精简,具体为:将风险评价参数高于最高预设值的的生产线进行删除;
步骤224、利用精简的生产线的各项参数对BP神经网络进行训练,获得实时策略优化模型,当优化策略若有多个时,根据易于实施的程度进行排序,例如当生产同一产品时,已经建成的生产线中,优化生产工艺的优化策略在优化生产设备的优化策略之前;优化生产设备程序的优化策略在优化生产设备硬件的优化策略之前。
本实施例中,风险评价参数为分值,分值越高,风险越高;本实施例的优化策略则是通过采取保全措施,将风险评价参数降为0。
在另一实施例中,则根据利用精简的生产线的各项参数以及风险评价参数对BP神经网络进行训练,获得的优化策略则是通过采取保全措施,将风险评价参数降低。
步骤3、获取食品相关产品生产全过程的实时数据,利用风险评估模型进行评估并输出风险分析报告;其中,食品相关产品生产的实时数据是从生产线上各个监测点实时采集的数据,监测点是基于历史经验点确定初步监测点,然后利用风险数据库中的数据对初步监测点的位置进行优化,最终确定的监测点。
步骤4、基于风险分析报告、食品相关产品生产的实时数据,利用实时策略优化模型生成优化策略,具体为:
读取风险分析报告上的风险参数,判断是否需要进行策略优化,若否,则对生产过程持续监测;若是,则根据现有生产过程的各个参数利用实时策略优化模型生成优化策略。
步骤5、将优化策略输入风险评估模型获得优化后的风险分析报告;通过对优化策略风险参数的计算,能够确保优化策略的性能,提高食品生产的安全程度。
当优化策略的风险参数未达到预设值时,则将优化策略的参数作为实时参数,进行再次优化,直至优化策略的风险参数达到预设值或达到预设次数。
步骤6、基于风险分析报告、优化后的风险分析报告和优化策略进行实时调控;
根据现有数据生产线的风险参数确定调控紧急程度,根据优化后的风险分析报告确定选择的优化策略,根据优化策略完成对生产线的调控。
在另一实施例中,实时策略优化模型还可用于生产线的选择,具体步骤为:
将生产线的部分参数输入实时策略优化模型中,获得生产线的剩余参数;
根据获得的剩余参数获得完整的生产线参数;
根据完整的生产线参数构建生产线。
本实施例还包括一种基于数据分析的食品相关产品风险管理系统,如图2所示,包括:
基础数据层:用于获取食品相关产品的基础数据、食品相关产品的生产数据以及风险数据,并构建基础数据库,其中,基础数据库包括食品相关产品数据库、食品相关产品的生产数据库以及风险数据库;食品相关产品的基础数据包括生产设备的参数、原材料参数、食品接触材料用添加剂参数;食品相关产品的生产数据包括食品相关产品加工工艺、参考标准、生产制度;风险数据包括食品相关产品监督抽查、风险监测、食品安全事件的相关参数;
数据分析层:用于基于食品相关产品的基础数据、食品相关产品数据以及风险数据,利用机器学习模型构建风险评估模型以及实时策略优化模型,获得风险分析报告以及优化策略;
数据应用层:用于根据风险评估数据以及优化策略进行实时调控。
本实施例中,风险分析报告是基于生产线的实时数据获得的,实时数据从生产线上根据风险数据库确定的各个监测点采集。
本实施例中,还包括报警模块,用于在各个监测点的数据超过正常阈值,则发出报警信息,如有一食品的第二工序须在20度以下的温度下完成,若该区域内的温度传感器检测到温度超过20度,则立刻发出报警,并将异常信息发送至监测界面,并生成报警记录进行保存。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于数据分析的食品相关产品风险管理方法,其特征在于,具体步骤为:
基于大数据平台获取相关数据,并对相关数据进行筛选,构建基础数据库;
利用机器学习模型以及基础数据库分别构建风险评估模型、实时策略优化模型;
获取食品相关产品生产全过程的实时数据,利用风险评估模型进行评估并输出风险分析报告;
基于风险分析报告、食品相关产品生产的实时数据,利用实时策略优化模型生成优化策略;
将优化策略输入风险评估模型获得优化后的风险分析报告;
基于风险分析报告、优化后的风险分析报告和优化策略对食品相关产品生产进行实时调控。
2.根据权利要求1所述的一种基于数据分析的食品相关产品风险管理方法,其特征在于,基础数据库的构建步骤为:
利于网络爬虫脚本从大数据平台中抓取与食品安全相关的数据;
对抓取的数据进行归一化处理;
将归一化处理后的数据按照预设规则构建基础数据库。
3.根据权利要求1所述的一种基于数据分析的食品相关产品风险管理方法,其特征在于,风险评估模型的构建步骤为:
基于基础数据库确定多个评价指标;
将多个评价指标输入预先训练好的机器学习模型中,获得各个评价指标的权重;
根据各个评价指标以及其对应的权重,构建风险评估模型。
4.根据权利要求1所述的一种基于数据分析的食品相关产品风险管理方法,其特征在于,实时策略优化模型的构建步骤为:
利用控制变量法基于基础数据库构建不同材质食品相关产品的多个生产线;
对多个生产线进行风险评估,获得多个生产线的风险评价参数;
根据生产线的风险评价参数对构建的多个生产线进行精简;
利用精简后的生产线的各项参数对BP神经网络进行训练,获得实时策略优化模型。
5.根据权利要求4所述的一种基于数据分析的食品相关产品风险管理方法,其特征在于,实时策略优化模型还可用于生产线的选择,具体步骤为:
将生产线的部分参数输入实时策略优化模型中,获得生产线的剩余参数;
根据获得的剩余参数获得完整的生产线参数;
根据完整的生产线参数构建生产线。
6.根据权利要求1所述的一种基于数据分析的食品相关产品风险管理方法,其特征在于,优化策略若为多个,根据易于实施的程度进行排序。
7.一种基于数据分析的食品相关产品风险管理系统,其特征在于,包括:
基础数据层:用于获取食品相关产品的基础数据、食品相关产品的生产数据以及风险数据,并构建基础数据库;食品相关产品的基础数据包括生产设备的参数、原材料参数、食品接触材料用添加剂参数;食品相关产品的生产数据包括食品相关产品加工工艺、参考标准、生产制度;风险数据包括食品相关产品监督抽查、风险监测、食品安全事件的相关参数;
数据分析层:用于基于食品相关产品的基础数据、食品相关产品的生产数据以及风险数据,利用机器学习模型构建风险评估模型以及实时策略优化模型,获得风险分析报告以及优化策略;
数据应用层:用于根据风险分析报告以及优化策略对食品相关产品进行实时调控。
8.根据权利要求7所述的一种基于数据分析的食品相关产品风险管理系统,其特征在于,基础数据库包括食品相关产品数据库、食品相关产品的生产数据库以及风险数据库。
9.根据权利要求8所述的一种基于数据分析的食品相关产品风险管理系统,其特征在于,风险分析报告是基于生产线的实时数据获得的,实时数据从生产线上根据风险数据库确定的各个监测点采集。
10.根据权利要求9所述的一种基于数据分析的食品相关产品风险管理系统,其特征在于,还包括报警模块,用于对各个监测点的数据异常情况进行报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310675477.9A CN116739617A (zh) | 2023-06-08 | 2023-06-08 | 一种基于数据分析的食品相关产品风险管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310675477.9A CN116739617A (zh) | 2023-06-08 | 2023-06-08 | 一种基于数据分析的食品相关产品风险管理系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116739617A true CN116739617A (zh) | 2023-09-12 |
Family
ID=87903827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310675477.9A Pending CN116739617A (zh) | 2023-06-08 | 2023-06-08 | 一种基于数据分析的食品相关产品风险管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116739617A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461555A (zh) * | 2020-04-02 | 2020-07-28 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 一种生产线质量监测方法、装置及系统 |
CN114764682A (zh) * | 2022-03-25 | 2022-07-19 | 北京工商大学 | 一种基于多机器学习算法融合的大米安全风险评估方法 |
CN114997888A (zh) * | 2022-06-07 | 2022-09-02 | 红有软件股份有限公司 | 一种融合多类型大数据的食品安全信用评估方法及系统 |
-
2023
- 2023-06-08 CN CN202310675477.9A patent/CN116739617A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461555A (zh) * | 2020-04-02 | 2020-07-28 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 一种生产线质量监测方法、装置及系统 |
CN114764682A (zh) * | 2022-03-25 | 2022-07-19 | 北京工商大学 | 一种基于多机器学习算法融合的大米安全风险评估方法 |
CN114997888A (zh) * | 2022-06-07 | 2022-09-02 | 红有软件股份有限公司 | 一种融合多类型大数据的食品安全信用评估方法及系统 |
Non-Patent Citations (1)
Title |
---|
陈万庆 等: "产品质量模型与控制模型的研究及应用", 成组技术与生产现代化, vol. 33, no. 4, pages 14 - 17 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108199795B (zh) | 一种设备状态的监测方法和装置 | |
CN110097037A (zh) | 智能监测方法、装置、存储介质及电子设备 | |
CN117495210A (zh) | 公路混凝土施工质量管理系统 | |
CN110636066B (zh) | 基于无监督生成推理的网络安全威胁态势评估方法 | |
GB2379752A (en) | Root cause analysis under conditions of uncertainty | |
CN113627735B (zh) | 工程建设项目安全风险的预警方法及系统 | |
CN107679715A (zh) | 一种基于spc的电能表综合误差过程能力评价方法及评价系统 | |
CN115760484A (zh) | 一种配电台区隐患辨识能力提升方法、装置、系统及存储介质 | |
CN111191855B (zh) | 一种基于管网多元水质时序数据的水质异常事件识别预警方法 | |
CN113627784A (zh) | 一种基于工业互联网的企业资产管理智能决策系统 | |
CN116561519A (zh) | 基于电网大数据的电碳排放过程监测方法和系统 | |
CN117193222A (zh) | 一种基于工业物联网和大数据的智能质量控制系统及其控制方法 | |
CN116862081A (zh) | 一种污染治理设备运维方法及系统 | |
CN117973613A (zh) | 一种水环境监测与智能预警系统 | |
CN116991146B (zh) | 一种超声波清洗装置的控制方法及系统 | |
CN117933808A (zh) | 基于生产过程监控的生产质量评估方法及系统 | |
CN117115637A (zh) | 一种基于大数据技术的水质监测预警方法及系统 | |
CN117390944A (zh) | 一种变电站运行工况仿真系统 | |
CN116739617A (zh) | 一种基于数据分析的食品相关产品风险管理系统及方法 | |
Wang et al. | Research of the early warning analysis of crop diseases and insect pests | |
CN116801213B (zh) | 一种基于大数据的城市二氧化碳数据采集方法及系统 | |
CN118096131B (zh) | 一种基于电力场景模型的运维巡检方法 | |
Hu et al. | A Novel Method for Product Quality Control Based on Production IoT Data | |
CN117456439A (zh) | 基于人机协同作业的违章操作预警与危险任务等级预测方法 | |
CN117078085A (zh) | 一种智能井盖运行状态评估方法、装置、设备及介质 |
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 |