CN116843510B - 基于ai大模型的智能炒菜机云平台数据管理系统及方法 - Google Patents
基于ai大模型的智能炒菜机云平台数据管理系统及方法 Download PDFInfo
- Publication number
- CN116843510B CN116843510B CN202310784823.7A CN202310784823A CN116843510B CN 116843510 B CN116843510 B CN 116843510B CN 202310784823 A CN202310784823 A CN 202310784823A CN 116843510 B CN116843510 B CN 116843510B
- Authority
- CN
- China
- Prior art keywords
- intelligent cooking
- cooking machine
- dishes
- intelligent
- cloud platform
- 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
- 238000010411 cooking Methods 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000013523 data management Methods 0.000 title claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 claims abstract description 51
- 230000008569 process Effects 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 28
- 238000007726 management method Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 16
- 235000011194 food seasoning agent Nutrition 0.000 claims description 43
- 230000008859 change Effects 0.000 claims description 25
- 238000012423 maintenance Methods 0.000 claims description 17
- 238000003756 stirring Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000005856 abnormality Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013502 data validation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007619 statistical method Methods 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
Abstract
本发明公开了基于AI大模型的智能炒菜机云平台数据管理系统及方法,涉及数据管理系统技术领域,所述管理方法包括以下步骤:通过采集端采集炒菜过程中的各种参数数据,参数数据通过网络传输到云平台,确保实时性和稳定性,处理端通过AI大模型对存储的参数数据进行分析,分析此次炒菜过程中智能炒菜机是否存在异常,当分析智能炒菜机存在异常时,依据分析结果判断菜品口味存在偏差,管理系统发出警示信号,此时更换其他智能炒菜机炒菜。本发明能够根据智能炒菜机的运行状态来判断此次炒出的菜口味是否存在偏差,从而能够及时警示,确保菜品的质量和口感。
Description
技术领域
本发明涉及数据管理系统技术领域,具体涉及基于AI大模型的智能炒菜机云平台数据管理系统及方法。
背景技术
智能炒菜机云平台数据管理系统是一种利用云计算技术和人工智能技术的创新产品,随着科技的不断进步,智能家居设备逐渐走进人们的日常生活,其中智能炒菜机是一种将传统炒菜方式与现代科技相结合的创新产品;
智能炒菜机通过传感器和控制器,可以实时监测和控制炒菜过程中的温度、湿度、压力等参数,以及控制加热、搅拌等操作,与传统的炒菜方式相比,智能炒菜机具有更高的精确度和稳定性,能够在不同的菜品和口味要求下提供更好的烹饪效果;
而智能炒菜机云平台数据管理系统则是为了更好地管理和利用智能炒菜机产生的大量数据而开发的,该系统利用云计算技术,将智能炒菜机采集到的数据上传到云端进行存储和处理,为用户提供更加便捷和智能的炒菜体验。
现有技术存在以下不足:
智能餐厅通常是用户在线点餐后,智能炒菜机依据点餐炒出相应菜品,然后通过上菜机器人上菜,全程无人员接触,然而,由于炒出的菜品无人员接触,因此,菜品的口味和质量与智能炒菜机运行状态相关,现有的管理系统在智能炒菜机运行过程中,对智能炒菜机没有综合分析处理,若炒菜过程中智能炒菜机运行存在异常,则会导致菜品的质量和口感下降,影响消费者体验,从而降低餐厅口碑。
发明内容
本发明的目的是提供基于AI大模型的智能炒菜机云平台数据管理系统及方法,以解决背景技术中不足。
为了实现上述目的,本发明提供如下技术方案:基于AI大模型的智能炒菜机云平台数据管理方法,所述管理方法包括以下步骤:
S1:智能炒菜机通过采集端采集炒菜过程中的各种参数数据,参数数据通过网络传输到云平台;
S2:云平台通过分布式数据库存储从智能炒菜机传输的参数数据,并对存储的参数数据进行预处理;
S3:处理端通过AI大模型对存储的参数数据进行分析,分析此次炒菜过程中智能炒菜机是否存在异常;
S4:当分析智能炒菜机存在异常时,依据分析结果判断菜品口味存在偏差,管理系统发出警示信号,此时更换其他智能炒菜机炒菜;
S5:定期维护智能炒菜机时,通过云平台获取每台智能炒菜机在未维护时间段内的运行状态来选择智能炒菜机的维护顺序。
在一个优选的实施方式中,所述智能炒菜机通过采集端采集炒菜过程中的各种参数数据,参数数据包括状态变化预警指数、调料配置部件运行偏差标准差以及菜品色差值。
在一个优选的实施方式中,所述状态变化预警指数的获取逻辑为:
若温度波动赋值wdb>5℃、湿度波动赋值sdb>10%、搅拌力度波动赋值ldb>50r/min或炒制时间波动赋值sjb>30s,状态变化预警指数取值为yjz=0;
若温度波动赋值wdb≤5℃、湿度波动赋值sdb≤10%、搅拌力度波动赋值ldb≤50r/min或炒制时间波动赋值sjb≤30s,状态变化预警指数取值为yjz=1。
在一个优选的实施方式中,所述温度波动赋值wdb的计算表达式为:
式中,wdc为实时采集的温度,wdmin~wdmax为菜品炒制稳定温度范围;
所述湿度波动赋值sdb的计算表达式为:
式中,sdc为实时采集的湿度,sdmin~sdmax为菜品炒制稳定湿度范围;
所述搅拌力度波动赋值ldb的计算表达式为:
式中,ldc为实时采集的搅拌力度,ldmin~ldmax为菜品炒制稳定搅拌力度范围;
所述炒制时间波动赋值sjb的计算表达式为:
式中,sjc为实时采集的炒制时间,sjmin~sjmax为菜品炒制稳定炒制时间范围。
在一个优选的实施方式中,所述调料配置部件运行偏差的标准差的计算表达式为:
式中,i={1、2、3、...、n},n表示调料配置的次数,n为正整数,Pi表示每次调料配置的结果值,表示调料配置结果的平均值,pzc为调料配置部件运行偏差标准差。
在一个优选的实施方式中,所述菜品色差值的计算表达式为:
其中,ΔL、Δa和Δb分别代表菜品的亮度、红绿和黄蓝色彩通道的偏差,ΔE为菜品色差值。
在一个优选的实施方式中,菜品的亮度、红绿和黄蓝色彩通道的偏差ΔL、Δa和Δb的获取逻辑为:
记录标准菜品的亮度(L)、红绿(a)和黄蓝(b)值;
测量实际菜品的亮度(L1)、红绿(a1)和黄蓝(b1)的值;
计算每个通道的偏差值:ΔL=L1-L、Δa=a1-a、Δb=b1-b。
在一个优选的实施方式中,所述AI大模型的建立包括以下步骤:
将状态变化预警指数、调料配置部件运行偏差标准差以及菜品色差值去除量纲后,综合计算获取异常系数ycx,计算表达式为:
式中,yjz为状态变化预警指数,pzc为调料配置部件运行偏差标准差,ΔE为菜品色差值,α、β分别为调料配置部件运行偏差标准差以及菜品色差值的比例系数,且α、β均大于0;
得到异常系数ycx后,将异常系数与异常阈值进行对比,完成AI大模型的建立。
在一个优选的实施方式中,所述处理端通过AI大模型对存储的状态变化预警指数、调料配置部件运行偏差标准差以及菜品色差值进行综合分析计算,得到异常系数ycx后,将异常系数与异常阈值进行对比;
若异常系数≥异常阈值,分析此次炒菜过程中智能炒菜机不存在异常;
若异常系数<异常阈值,分析此次炒菜过程中智能炒菜机存在异常。
本发明还提供基于AI大模型的智能炒菜机云平台数据管理系统,包括采集模块、云存储模块、分析模块、警示模块、控制模块以及排序模块;
采集模块采集炒菜过程中智能炒菜机的各种参数数据,云存储模块通过分布式数据库存储从智能炒菜机传输的数据,并对存储的数据进行预处理,分析模块通过AI大模型对存储的参数数据进行分析,分析此次炒菜过程中智能炒菜机是否存在异常,分析结果发送至警示信号模块,当分析智能炒菜机存在异常时,警示模块依据分析结果判断菜品口味存在偏差,将判断结果发送至控制模块,并发出警示信号,在接收判断菜品口味存在偏差的结果时,控制模块更换其他智能炒菜机炒菜,定期维护智能炒菜机时,排序模块通过云平台获取每台智能炒菜机在未维护时间段内的运行状态来选择智能炒菜机的维护顺序。
在上述技术方案中,本发明提供的技术效果和优点:
1、本发明通过采集端采集炒菜过程中的各种参数数据,参数数据通过网络传输到云平台,确保实时性和稳定性,处理端通过AI大模型对存储的参数数据进行分析,分析此次炒菜过程中智能炒菜机是否存在异常,当分析智能炒菜机存在异常时,依据分析结果判断菜品口味存在偏差,管理系统发出警示信号,此时更换其他智能炒菜机炒菜,该管理系统能够根据智能炒菜机的运行状态来判断此次炒出的菜口味是否存在偏差,从而能够及时警示,确保菜品的质量和口感;
2、本申请通过将状态变化预警指数、调料配置部件运行偏差标准差以及菜品色差值去除量纲后,综合计算获取异常系数,得到异常系数后,将异常系数与异常阈值进行对比,完成AI大模型的建立,并在智能炒菜机运行过程中,通过AI大模型对存储的状态变化预警指数、调料配置部件运行偏差标准差以及菜品色差值进行综合分析计算,不仅提高数据处理效率,而且分析更为全面;
3、本申请获取异常频率后,在维护所有智能炒菜机时,将所有智能炒菜机依据异常频率由大到小依次排序,生成排序表,维护人员依据排序表正序选择智能炒菜机的维护顺序,从而提高对智能炒菜机的管理维护顺序。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例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中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明的方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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。
实施例1:请参阅图1所示,本实施例所述基于AI大模型的智能炒菜机云平台数据管理方法,所述管理方法包括以下步骤:
智能炒菜机通过采集端采集炒菜过程中的各种参数数据,参数数据通过网络传输到云平台,确保实时性和稳定性,云平台接收并通过分布式数据库存储从智能炒菜机传输的参数数据,并对存储的参数数据进行预处理,处理端通过AI大模型对存储的参数数据进行分析,分析此次炒菜过程中智能炒菜机是否存在异常,当分析智能炒菜机存在异常时,依据分析结果判断菜品口味存在偏差,管理系统发出警示信号,此时更换其他智能炒菜机炒菜,管理系统发出警示信号时,需要管理人员对发出警示信号的智能炒菜机进行维修管理,维修管理记录通过网络传输到云平台,定期维护智能炒菜机时,通过云平台获取每台智能炒菜机在未维护时间段内的运行状态来选择智能炒菜机的维护顺序。
本申请通过采集端采集炒菜过程中的各种参数数据,参数数据通过网络传输到云平台,确保实时性和稳定性,处理端通过AI大模型对存储的参数数据进行分析,分析此次炒菜过程中智能炒菜机是否存在异常,当分析智能炒菜机存在异常时,依据分析结果判断菜品口味存在偏差,管理系统发出警示信号,此时更换其他智能炒菜机炒菜,该管理系统能够根据智能炒菜机的运行状态来判断此次炒出的菜口味是否存在偏差,从而能够及时警示,确保菜品的质量和口感。
智能炒菜机通过采集端采集炒菜过程中的各种参数数据,参数数据包括状态变化预警指数、调料配置部件运行偏差标准差以及菜品色差值。
状态变化预警指数的获取逻辑为:
收集炒菜过程中,菜品炒制的温度、湿度、搅拌力度以及炒制时间;
获取温度波动赋值wdb,计算表达式为:
式中,wdc为实时采集的温度,wdmin~wdmax为菜品炒制稳定温度范围;
获取湿度波动赋值sdb,计算表达式为:
式中,sdc为实时采集的湿度,sdmin~sdmax为菜品炒制稳定湿度范围;
获取搅拌力度波动赋值ldb,计算表达式为:
式中,ldc为实时采集的搅拌力度,ldmin~ldmax为菜品炒制稳定搅拌力度范围;
获取炒制时间波动赋值sjb,计算表达式为:
式中,sjc为实时采集的炒制时间,sjmin~sjmax为菜品炒制稳定炒制时间范围;
若温度波动赋值wdb>5℃、湿度波动赋值sdb>10%、搅拌力度波动赋值ldb>50r/min或炒制时间波动赋值sjb>30s,状态变化预警指数取值为yjz=0;
若温度波动赋值wdb≤5℃、湿度波动赋值sdb≤10%、搅拌力度波动赋值ldb≤50r/min或炒制时间波动赋值sjb≤30s,状态变化预警指数取值为yjz=1。
调料配置部件运行偏差标准差的计算逻辑为:
获取调料配置数据,这可以通过智能炒菜机内置的传感器或称重装置来获取,或者通过外部称重设备进行测量,每次调料配置的结果值(如调料重量、配比等)需要记录下来;
将所有调料配置结果值相加,然后除以调料配置的次数,得到调料配置结果的平均值;
对每次调料配置的结果值,分别减去平均值,得到每次配置的偏差值;
将每次配置的偏差值进行平方得到偏差平方值,将所有偏差平方值相加,得到偏差平方和;
将偏差平方和除以调料配置的次数,得到方差,对方差取平方根,得到调料配置部件运行偏差的标准差,计算表达式为:
式中,i={1、2、3、...、n},n表示调料配置的次数,n为正整数,Pi表示每次调料配置的结果值,表示调料配置结果的平均值,pzc为调料配置部件运行偏差标准差。
较小的标准差表示配置结果相对稳定和一致,而较大的标准差则表示配置结果的波动较大,从而导致菜品质量和口感下降。
菜品色差值的计算表达式为:
其中,ΔL、Δa和Δb分别代表菜品的亮度、红绿和黄蓝色彩通道的偏差,这些偏差值可以通过将实际菜品的色彩值与标准菜品的色彩值进行比较来计算得出,具体步骤如下:
确定标准菜品的色彩值,可以使用颜色标准或专业仪器进行测量,并记录亮度(L)、红绿(a)和黄蓝(b)的值;
测量实际菜品的色彩值,使用相同的方法或仪器来获取实际菜品的亮度(L1)、红绿(a1)和黄蓝(b1)的值;
计算每个通道的偏差值:ΔL=L1-L、Δa=a1-a、Δb=b1-b;
计算菜品色差值ΔE:使用上述公式,将每个通道的偏差值的平方相加,并求平方根得到色差。
菜品色差值ΔE越小,表示实际菜品的色彩与标准菜品的色彩越接近,色泽偏差越小,反之,菜品色差值ΔE越大,表示实际菜品的色彩与标准菜品的色彩差异越大,色泽偏差越大。
实施例2:处理端通过AI大模型对存储的参数数据进行分析,分析此次炒菜过程中智能炒菜机是否存在异常,当分析智能炒菜机存在异常时,依据分析结果判断菜品口味存在偏差,管理系统发出警示信号,此时更换其他智能炒菜机炒菜,管理系统发出警示信号时,需要管理人员对发出警示信号的智能炒菜机进行维修管理,维修管理记录通过网络传输到云平台;
AI大模型的建立包括以下步骤:
将状态变化预警指数、调料配置部件运行偏差标准差以及菜品色差值去除量纲后,综合计算获取异常系数ycx,计算表达式为:
式中,yjz为状态变化预警指数,pzc为调料配置部件运行偏差标准差,ΔE为菜品色差值,α、β分别为调料配置部件运行偏差标准差以及菜品色差值的比例系数,且α、β均大于0;
得到异常系数ycx后,将异常系数与异常阈值进行对比,完成AI大模型的建立。
处理端通过AI大模型对存储的状态变化预警指数、调料配置部件运行偏差标准差以及菜品色差值进行综合分析计算,得到异常系数ycx后,将异常系数与异常阈值进行对比;
若异常系数≥异常阈值,分析此次炒菜过程中智能炒菜机不存在异常;
若异常系数<异常阈值,分析此次炒菜过程中智能炒菜机存在异常。
本申请通过将状态变化预警指数、调料配置部件运行偏差标准差以及菜品色差值去除量纲后,综合计算获取异常系数,得到异常系数后,将异常系数与异常阈值进行对比,完成AI大模型的建立,并在智能炒菜机运行过程中,通过AI大模型对存储的状态变化预警指数、调料配置部件运行偏差标准差以及菜品色差值进行综合分析计算,不仅提高数据处理效率,而且分析更为全面。
定期维护智能炒菜机时,通过云平台获取每台智能炒菜机在未维护时间段内的运行状态来选择智能炒菜机的维护顺序;
具体为:
设智能餐厅中,所有智能炒菜机维护间隔时间为Tn;
将所有智能炒菜机在Tn时间段内异常系数<异常阈值的次数标记为csy;
则通过公式计算获取得到每台炒菜机的异常频率,计算表达式为:ply=csy/Tn,式中,ply为异常频率;
获取异常频率后,在维护所有智能炒菜机时,将所有智能炒菜机依据异常频率由大到小依次排序,生成排序表,维护人员依据排序表正序选择智能炒菜机的维护顺序,从而提高对智能炒菜机的管理维护顺序。
云平台通过分布式数据库存储从智能炒菜机传输的参数数据,并对存储的参数数据进行预处理包括以下步骤:
1)数据接收:云平台通过网络接收智能炒菜机传输的参数数据,这可以通过API接口、消息队列、实时流数据处理等方式进行;
2)数据解析:对接收到的数据进行解析,将不同的参数字段提取出来,这可能涉及到数据的结构化和格式化处理,以便后续存储和处理;
3)数据验证和筛选:对接收到的数据进行验证和筛选,确保数据的完整性和合法性,这包括检查数据的有效性、范围限制、数据类型匹配等;
4)数据存储:将经过解析和筛选的参数数据存储到分布式数据库中,分布式数据库可以采用各种技术,如关系型数据库、NoSQL数据库、列式数据库等,以满足数据的存储需求和性能要求;
5)数据索引和分区:对存储的参数数据进行索引和分区,以便快速查询和检索,索引可以根据数据的特点和访问模式进行设计,以提高查询效率,分区可以根据数据的时间、地理位置或其他维度进行,以方便数据管理和查询优化;
6)数据备份和恢复:为了数据的安全性和可靠性,需要定期进行数据备份,并建立恢复机制,以防止数据丢失或故障发生;
7)数据访问权限管理:对存储的参数数据进行访问权限管理,确保只有授权的用户可以访问和操作数据,这可以通过身份认证、访问控制列表等机制来实现;
8)数据清洗:对接收到的参数数据进行清洗,去除无效或异常的数据,这可以包括去除缺失值、处理重复数据、修复或删除异常值等;
9)特征选择和提取:根据数据分析的目标,选择与问题相关的特征,并进行特征提取,这可以包括从原始参数数据中提取有意义的特征,或者通过数学方法、统计学方法或机器学习方法来选择最具信息量的特征;
10)数据聚合和降维:如果参数数据具有高维度或多变量特性,可以进行数据聚合和降维操作,以减少数据的维度和复杂性,这可以通过聚类分析、主成分分析(PCA)等方法来实现;
11)数据平滑和插值:如果参数数据存在噪声或缺失值,可以采用平滑技术和插值方法来填充缺失值或减少噪声的影响,常见的方法包括移动平均、局部加权回归、线性插值、多项式插值等。
实施例3:本实施例所述基于AI大模型的智能炒菜机云平台数据管理系统,包括采集模块、云存储模块、分析模块、警示模块、控制模块以及排序模块;
采集模块:采集炒菜过程中智能炒菜机的各种参数数据,参数数据通过网络传输到云存储模块,确保实时性和稳定性;
云存储模块:接收并通过分布式数据库存储从智能炒菜机传输的数据,并对存储的数据进行预处理,预处理后的参数数据发送至分析模块;
分析模块:通过AI大模型对存储的参数数据进行分析,分析此次炒菜过程中智能炒菜机是否存在异常,分析结果发送至警示信号模块;
警示模块:当分析智能炒菜机存在异常时,依据分析结果判断菜品口味存在偏差,将判断结果发送至控制模块,并发出警示信号;
控制模块:在接收判断菜品口味存在偏差的结果时,更换其他智能炒菜机炒菜;
排序模块:定期维护智能炒菜机时,通过云平台获取每台智能炒菜机在未维护时间段内的运行状态来选择智能炒菜机的维护顺序。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数由本领域的技术人员根据实际情况进行设置。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (6)
1.基于AI大模型的智能炒菜机云平台数据管理方法,其特征在于:所述管理方法包括以下步骤:
S1:智能炒菜机通过采集端采集炒菜过程中的各种参数数据,参数数据通过网络传输到云平台;
S2:云平台通过分布式数据库存储从智能炒菜机传输的参数数据,并对存储的参数数据进行预处理;
S3:处理端通过AI大模型对存储的参数数据进行分析,分析此次炒菜过程中智能炒菜机是否存在异常;
S4:当分析智能炒菜机存在异常时,依据分析结果判断菜品口味存在偏差,管理系统发出警示信号,此时更换其他智能炒菜机炒菜;
S5:定期维护智能炒菜机时,通过云平台获取每台智能炒菜机在未维护时间段内的运行状态来选择智能炒菜机的维护顺序;
所述智能炒菜机通过采集端采集炒菜过程中的各种参数数据,参数数据包括状态变化预警指数、调料配置部件运行偏差标准差以及菜品色差值;
所述状态变化预警指数的获取逻辑为:
若温度波动赋值wdb>5℃、湿度波动赋值sdb>10%、搅拌力度波动赋值ldb>50r/min或炒制时间波动赋值sjb>30s,状态变化预警指数取值为yjz=0;
若温度波动赋值wdb≤5℃、湿度波动赋值sdb≤10%、搅拌力度波动赋值ldb≤50r/min或炒制时间波动赋值sjb≤30s,状态变化预警指数取值为yjz=1;
所述温度波动赋值wdb的计算表达式为:
式中,wdc为实时采集的温度,wdmin~wdmax为菜品炒制稳定温度范围;
所述湿度波动赋值sdb的计算表达式为:
式中,sdc为实时采集的湿度,sdmin~sdmax为菜品炒制稳定湿度范围;
所述搅拌力度波动赋值ldb的计算表达式为:
式中,ldc为实时采集的搅拌力度,ldmin~ldmax为菜品炒制稳定搅拌力度范围;
所述炒制时间波动赋值sjb的计算表达式为:
式中,sjc为实时采集的炒制时间,sjmin~sjmax为菜品炒制稳定炒制时间范围;
所述AI大模型的建立包括以下步骤:
将状态变化预警指数、调料配置部件运行偏差标准差以及菜品色差值去除量纲后,综合计算获取异常系数ycx,计算表达式为:
式中,yjz为状态变化预警指数,pzc为调料配置部件运行偏差标准差,ΔE为菜品色差值,α、β分别为调料配置部件运行偏差标准差以及菜品色差值的比例系数,且α、β均大于0;
得到异常系数ycx后,将异常系数与异常阈值进行对比,完成AI大模型的建立。
2.根据权利要求1所述的基于AI大模型的智能炒菜机云平台数据管理方法,其特征在于:所述调料配置部件运行偏差的标准差的计算表达式为:
式中,i={1、2、3、...、n},n表示调料配置的次数,n为正整数,Pi表示每次调料配置的结果值,表示调料配置结果的平均值,pzc为调料配置部件运行偏差标准差。
3.根据权利要求2所述的基于AI大模型的智能炒菜机云平台数据管理方法,其特征在于:所述菜品色差值的计算表达式为:
其中,ΔL、Δa和Δb分别代表菜品的亮度、红绿和黄蓝色彩通道的偏差,ΔE为菜品色差值。
4.根据权利要求3所述的基于AI大模型的智能炒菜机云平台数据管理方法,其特征在于:菜品的亮度、红绿和黄蓝色彩通道的偏差ΔL、Δa和Δb的获取逻辑为:
记录标准菜品的亮度(L)、红绿(a)和黄蓝(b)值;
测量实际菜品的亮度(L1)、红绿(a1)和黄蓝(b1)的值;
计算每个通道的偏差值:ΔL=L1-L、Δa=a1-a、Δb=b1-b。
5.根据权利要求4所述的基于AI大模型的智能炒菜机云平台数据管理方法,其特征在于:所述处理端通过AI大模型对存储的状态变化预警指数、调料配置部件运行偏差标准差以及菜品色差值进行综合分析计算,得到异常系数ycx后,将异常系数与异常阈值进行对比;
若异常系数≥异常阈值,分析此次炒菜过程中智能炒菜机不存在异常;
若异常系数<异常阈值,分析此次炒菜过程中智能炒菜机存在异常。
6.基于AI大模型的智能炒菜机云平台数据管理系统,用于实现权利要求1-5任一项所述的管理方法,其特征在于:包括采集模块、云存储模块、分析模块、警示模块、控制模块以及排序模块;
采集模块采集炒菜过程中智能炒菜机的各种参数数据,云存储模块通过分布式数据库存储从智能炒菜机传输的数据,并对存储的数据进行预处理,分析模块通过AI大模型对存储的参数数据进行分析,分析此次炒菜过程中智能炒菜机是否存在异常,分析结果发送至警示信号模块,当分析智能炒菜机存在异常时,警示模块依据分析结果判断菜品口味存在偏差,将判断结果发送至控制模块,并发出警示信号,在接收判断菜品口味存在偏差的结果时,控制模块更换其他智能炒菜机炒菜,定期维护智能炒菜机时,排序模块通过云平台获取每台智能炒菜机在未维护时间段内的运行状态来选择智能炒菜机的维护顺序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310784823.7A CN116843510B (zh) | 2023-06-29 | 2023-06-29 | 基于ai大模型的智能炒菜机云平台数据管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310784823.7A CN116843510B (zh) | 2023-06-29 | 2023-06-29 | 基于ai大模型的智能炒菜机云平台数据管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116843510A CN116843510A (zh) | 2023-10-03 |
CN116843510B true CN116843510B (zh) | 2024-02-23 |
Family
ID=88168293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310784823.7A Active CN116843510B (zh) | 2023-06-29 | 2023-06-29 | 基于ai大模型的智能炒菜机云平台数据管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116843510B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108371474A (zh) * | 2018-01-26 | 2018-08-07 | 武汉智味来创新科技股份有限公司 | 一种自动炒菜机的温控系统 |
CN113110244A (zh) * | 2021-05-17 | 2021-07-13 | 广东机电职业技术学院 | 一种智能炒菜记录仪及其控制系统、方法 |
CN113208406A (zh) * | 2021-05-24 | 2021-08-06 | 广州东软科技有限公司 | 一种全自动智能烹饪系统 |
CN116050253A (zh) * | 2022-12-16 | 2023-05-02 | 嘉兴未来食品研究院 | 菜品风味智能识别方法、装置、设备及存储介质 |
-
2023
- 2023-06-29 CN CN202310784823.7A patent/CN116843510B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108371474A (zh) * | 2018-01-26 | 2018-08-07 | 武汉智味来创新科技股份有限公司 | 一种自动炒菜机的温控系统 |
CN113110244A (zh) * | 2021-05-17 | 2021-07-13 | 广东机电职业技术学院 | 一种智能炒菜记录仪及其控制系统、方法 |
CN113208406A (zh) * | 2021-05-24 | 2021-08-06 | 广州东软科技有限公司 | 一种全自动智能烹饪系统 |
CN116050253A (zh) * | 2022-12-16 | 2023-05-02 | 嘉兴未来食品研究院 | 菜品风味智能识别方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116843510A (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047082B (zh) | 设备的预警方法及装置、存储介质和电子装置 | |
WO2016137848A4 (en) | Internet of things based determination of machine reliability and automated maintainenace, repair and operation (mro) logs | |
CN103996144B (zh) | 一种智能烹饪产品的规格匹配系统和规格匹配方法 | |
CN105793789B (zh) | 用于过程单元中的全部过程区段的自动的监视和状态确定的计算机实现的方法和系统 | |
CN110493025A (zh) | 一种基于多层有向图的故障根因诊断的方法及装置 | |
CN109753499A (zh) | 一种运维监控数据治理方法 | |
US7716152B2 (en) | Use of sequential nearest neighbor clustering for instance selection in machine condition monitoring | |
CN110414838A (zh) | 一种烟草工艺质量管控方法、系统、设备及存储介质 | |
WO2021007845A1 (zh) | 一种氧化铝生产指标的云-边协同预报系统及方法 | |
CN111984442A (zh) | 计算机集群系统的异常检测方法及装置、存储介质 | |
CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
CN109345076A (zh) | 一种全过程工程咨询项目风险管理方法 | |
CN112463773A (zh) | 数据质量确定方法及装置 | |
CN116843510B (zh) | 基于ai大模型的智能炒菜机云平台数据管理系统及方法 | |
CN117076915B (zh) | Fpso原油工艺系统的智能故障归因分析方法及系统 | |
CN117216481A (zh) | 一种用于电器的远程监控方法及系统 | |
CN116914917A (zh) | 一种基于大数据的配电柜运行状态监测管理系统 | |
CN114610234B (zh) | 一种存储系统参数推荐方法及相关装置 | |
CN107193992A (zh) | 一种基于决策树算法的220kV主变压器状态评估预测方法 | |
CN112380224B (zh) | 一种面向海量异构多维数据采集的质量大数据系统 | |
CN114238383A (zh) | 一种用于供应链监控的大数据提取方法及装置 | |
CN108009224A (zh) | 电力客户的分类方法和装置 | |
CN111177397B (zh) | 烹制搭配方法、烹饪传菜装置、和菜品品鉴装置 | |
CN113884756A (zh) | 一种电能计量边缘采集装置及方法 | |
JP2003166988A (ja) | 臨床検査システム |
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 |