CN116972913A - 一种冷链设备运行状态在线监测方法及系统 - Google Patents
一种冷链设备运行状态在线监测方法及系统 Download PDFInfo
- Publication number
- CN116972913A CN116972913A CN202311226361.3A CN202311226361A CN116972913A CN 116972913 A CN116972913 A CN 116972913A CN 202311226361 A CN202311226361 A CN 202311226361A CN 116972913 A CN116972913 A CN 116972913A
- Authority
- CN
- China
- Prior art keywords
- humidity
- field
- temperature
- rendering
- volatile content
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000009877 rendering Methods 0.000 claims abstract description 186
- 238000004458 analytical method Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims description 39
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 13
- 238000005057 refrigeration Methods 0.000 claims description 10
- 230000000630 rising effect Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 6
- 230000006866 deterioration Effects 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000012806 monitoring device Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 241000415246 Callisia navicularis Species 0.000 claims 3
- 230000007613 environmental effect Effects 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 14
- 239000007789 gas Substances 0.000 description 9
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 6
- 239000000126 substance Substances 0.000 description 5
- 229910021529 ammonia Inorganic materials 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 235000015278 beef Nutrition 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000019688 fish Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 201000009240 nasopharyngitis Diseases 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 235000014102 seafood Nutrition 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 229960005486 vaccine Drugs 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0833—Tracking
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本公开提供了一种冷链设备运行状态在线监测方法及系统,涉及冷链设备监测技术,方法包括:采集冷链设备内多个监测点在多个时间节点的温度、湿度和挥发物含量;构建变化温度场、变化湿度场和变化挥发物含量场;进行冷链设备运行分析,获得总运行质量信息;结合变化趋势,对变化温度场、变化湿度场和变化挥发物含量场进行渲染;进行特征提取和处理,获得总运行趋势质量系数;采用总运行趋势质量系数对总运行质量信息进行校正。能够解决现有的冷链设备运行状态监测方法由于未考虑到冷链设备中环境变化趋势对储存货物质量的影响,导致冷链设备状态监测的精度和准确率较低的问题,可以提高冷链设备状态监测的精度和准确率。
Description
技术领域
本公开涉及冷链设备监测技术,并且更具体地,涉及一种冷链设备运行状态在线监测方法及系统。
背景技术
冷链设备监测是指通过安装在冷库、运输车辆等冷链设备上的传感器,实时地将温度、湿度及其他环境参数等数据上传到数据分析平台,通过数据分析、信号预警等功能来保障货物的质量安全。
现有的冷链设备状态监测方法在进行传感器数据分析时,通常只考虑了所采集的环境监测数据对储存货物质量造成的影响,导致冷链设备状态监测结果准确率较低。
现有的冷链设备运行状态监测方法存在的不足之处在于:由于未考虑到冷链设备中环境变化趋势对储存货物质量的影响,导致冷链设备状态监测的精度和准确率较低。
发明内容
因此,为了解决上述技术问题,本公开的实施例采用的技术方案如下:
一种冷链设备运行状态在线监测方法,所述方法应用于一冷链设备运行状态在线监测装置,所述装置包括温度监测器阵列、湿度监测器阵列、挥发物监测器阵列和处理模块,温度监测器阵列、湿度监测器阵列分别布设于冷链设备内,挥发物监测器阵列与冷链设备连通布设,所述方法包括:通过温度监测器阵列、湿度监测器阵列和挥发物监测器阵列,采集冷链设备内多个监测点在多个时间节点的温度、湿度和冷藏产品变质产生的挥发物含量,形成多个温度序列、多个湿度序列和多个挥发物含量序列;基于多个温度序列、多个湿度序列和多个挥发物含量序列,构建冷链设备的变化温度场、变化湿度场和变化挥发物含量场;在处理模块内,根据变化温度场、变化湿度场和变化挥发物含量场内多个最大温度、多个平均湿度和多个最大挥发物含量与额定温度值、额定湿度值和额定挥发物含量的差值,进行冷链设备运行分析,获得多个运行质量信息,并计算获得总运行质量信息;结合温度、湿度和挥发物含量的变化趋势,对变化温度场、变化湿度场和变化挥发物含量场进行渲染,获得渲染温度场、渲染湿度场和渲染挥发物含量场;对渲染温度场、渲染湿度场和渲染挥发物含量场进行特征提取和处理,并计算获得总运行趋势质量系数;采用所述总运行趋势质量系数,对所述总运行质量信息进行校正计算,获得冷链设备的运行状态监测结果。
一种冷链设备运行状态在线监测系统,包括:冷链设备信息采集模块,所述冷链设备信息采集模块用于通过温度监测器阵列、湿度监测器阵列和挥发物监测器阵列,采集冷链设备内多个监测点在多个时间节点的温度、湿度和冷藏产品变质产生的挥发物含量,形成多个温度序列、多个湿度序列和多个挥发物含量序列;冷链设备变化场构建模块,所述冷链设备变化场构建模块用于基于多个温度序列、多个湿度序列和多个挥发物含量序列,构建冷链设备的变化温度场、变化湿度场和变化挥发物含量场;冷链设备运行分析模块,所述冷链设备运行分析模块用于在处理模块内,根据变化温度场、变化湿度场和变化挥发物含量场内多个最大温度、多个平均湿度和多个最大挥发物含量与额定温度值、额定湿度值和额定挥发物含量的差值,进行冷链设备运行分析,获得多个运行质量信息,并计算获得总运行质量信息;变化场渲染模块,所述变化场渲染模块用于结合温度、湿度和挥发物含量的变化趋势,对变化温度场、变化湿度场和变化挥发物含量场进行渲染,获得渲染温度场、渲染湿度场和渲染挥发物含量场;总运行趋势质量系数获得模块,所述总运行趋势质量系数获得模块用于对渲染温度场、渲染湿度场和渲染挥发物含量场进行特征提取和处理,并计算获得总运行趋势质量系数;总运行质量信息校正模块,所述总运行质量信息校正模块用于采用所述总运行趋势质量系数,对所述总运行质量信息进行校正计算,获得冷链设备的运行状态监测结果。
由于采用了上述技术方法,本公开相对于现有技术来说,取得的技术进步有如下几点:
解决了现有的冷链设备运行状态监测方法由于未考虑到冷链设备中环境变化趋势对储存货物质量的影响,导致冷链设备状态监测的精度和准确率较低的技术问题,通过结合温度、湿度和挥发物含量的变化趋势进行运行趋势质量分析,并根据运行趋势质量分析结果对运行质量信息进行校正,可以提高冷链设备状态监测的精度和准确率。
附图说明
为了更清楚地说明本公开的实施例的技术方案,下面将对实施例的描述中所需要使用的附图作简单的介绍。
图1为本申请提供了一种冷链设备运行状态在线监测方法的流程示意图;
图2为本申请提供了一种冷链设备运行状态在线监测方法中获得总运行趋势质量系数的连接示意图;
图3为本申请提供了一种冷链设备运行状态在线监测系统的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整的描述。基于本公开中的实施例,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,都属于本公开保护的范围。
基于上述描述,如图1所示,本公开提供了一种冷链设备运行状态在线监测方法,所述方法应用于一冷链设备运行状态在线监测装置,所述装置包括温度监测器阵列、湿度监测器阵列、挥发物监测器阵列和处理模块,温度监测器阵列、湿度监测器阵列分别布设于冷链设备内,挥发物监测器阵列与冷链设备连通布设,包括:
冷链设备是指用于制造低温、低湿环境的设备,主要用于冷冻类产品的储藏和运输,常见的冷链设备包括低温冷库、常温冷库、低温冰箱、普通冰箱、冷藏车、冷藏箱、疫苗运输车等。
本申请提供的方法用于提高冷链设备运行状态监测的准确率和精度,所述方法具体实施于一冷链设备运行状态在线监测装置,冷链设备运行状态在线监测装置是指具有环境数据采集和数据分析功能的设备,其中,所述冷链设备运行状态在线监测装置包括温度监测器阵列、湿度监测器阵列、挥发物监测器阵列和处理模块,所述温度监测器阵列由多个监测点的温度传感器组成,其中每个监测点都有一个对应的温度传感器;所述湿度监测器阵列由多个监测点的湿度传感器组成;所述挥发物监测器阵列由多个监测点的气体采集传感器组成,其中气体采集传感器是指空气PH测量仪,由于在冷链设备中储藏或运输的货物大部分是肉类、鱼类、海鲜等生鲜食品,这些生鲜食品在变质时,有一部分货物挥发出氨类物质,这些氨类物质挥发后会与空气中的水蒸气融合,由于氨类物质与水蒸气融合后属于碱性物质,所以通过测量空气中的PH值,就可以获得挥发物含量。所述处理模块用于对传感器采集的数据进行数据分析。
其中温度监测器和湿度监测器阵列分别布设于冷链设备内,例如:低温冷库内或冷藏车厢内;挥发物监测器阵列与冷链设备连通布设,可通过控制开关进行连通或关闭。
通过温度监测器阵列、湿度监测器阵列和挥发物监测器阵列,采集冷链设备内多个监测点在多个时间节点的温度、湿度和冷藏产品变质产生的挥发物含量,形成多个温度序列、多个湿度序列和多个挥发物含量序列;
在一个实施例中,还包括:
挥发物监测器阵列包括多个pH传感器,与冷链设备可连通或关闭,按照所述多个时间节点定期采集冷链设备内的气体进行测试;
在所述多个时间节点时,控制所述挥发物监测器阵列与冷链设备连通,采集多个监测点的气体样本进行测试,获得多个pH值集合;
根据挥发物含量对照表,对所述多个pH值集合内的pH值进行比对,获得所述多个挥发物含量序列。
在冷链设备内设置多个监测点,其中监测点的位置可根据冷链设备内货物布置的实际情况进行设置。设置数据监测时间节点,其中数据监测时间节点本领域技术人员可根据货物的价值和特征进行设置,比如:容易变质的货物,数据监测时间节点可设置较为密集;不容易变质的货物,数据监测时间节点可设置较为宽松;例如:当货物为牛肉时,设置数据监测时间节点为每隔1小时监测一次。
通过所述温度监测器阵列,按照预先设置的数据监测时间节点对冷链设备内的多个监测点进行温度数据采集,并将每个监测点的温度数据采集结果按照数据监测时间节点的先后顺序进行排列,生成多个温度序列,其中每个监测点对应一个温度序列;
通过所述湿度监测器阵列,按照预先设置的数据监测时间节点对冷链设备内的多个监测点进行湿度数据采集,并将每个监测点的湿度数据采集结果按照数据监测时间节点的先后顺序进行排列,生成多个湿度序列,其中每个监测点对应一个湿度序列;
其中所述挥发物监测器阵列包括多个pH传感器,其中PH传感器用于对冷藏设备内空气的PH值进行测试,例如:空气PH测量仪,所述挥发物监测器阵列可通过开关进行人工开启控制,与冷链设备可连通或关闭。按照预先设置的数据监测时间节点,控制所述挥发物监测器阵列与冷链设备连通,采集多个监测点的气体样本,并对多个监测点的气体样本进行PH值测试,获得多个pH值集合,其中每个监测点对应一个PH值集合。
获取挥发物含量对照表,所述挥发物含量对照表中存储有不同挥发物含量和对应的PH值,可通过现有技术进行化学实验获得。根据所述挥发物含量对照表,将所述多个pH值集合内的pH值与挥发物含量对照表进行匹配,获得PH值对应的挥发物含量,并按照气体采集数据监测时间节点的先后顺序构建挥发物含量序列,获得多个挥发物含量序列,其中每个监测点对应一个挥发物含量序列。
通过获得多个温度序列、多个湿度序列和多个挥发物含量序列,为下一步进行冷链设备运行状态监测提供了数据支持。
基于多个温度序列、多个湿度序列和多个挥发物含量序列,构建冷链设备的变化温度场、变化湿度场和变化挥发物含量场;
根据多个温度序列,构建冷链设备的变化温度场,其中温度场是指相同数据监测时间节点的不同监测点的温度集合,用于反应温度在冷链设备内不同监测点的空间分布,其中每个数据监测时间节点对应一个温度场,所述变化温度场包括多个数据监测时间节点的温度场。利用与上述构建变化温度场相同的方法,根据多个湿度序列构建变化湿度场,根据多个挥发物含量序列构建变化挥发物含量场。
通过构建变化温度场、变化湿度场和变化挥发物含量场,可以更加直观准确的反映出相同数据监测时间节点的不同监测点的温度变化情况、湿度变化情况、挥发物含量变化情况,从而可以提高温度数据、湿度数据、挥发物含量数据分析的效率。
在处理模块内,根据变化温度场、变化湿度场和变化挥发物含量场内多个最大温度、多个平均湿度和多个最大挥发物含量与额定温度值、额定湿度值和额定挥发物含量的差值,进行冷链设备运行分析,获得多个运行质量信息,并计算获得总运行质量信息;
在一个实施例中,还包括:
提取所述变化温度场内多个监测点的多个最大温度、变化湿度场内多个监测点的多个平均湿度,以及变化挥发物含量场内多个监测点的多个最大挥发物含量;
获取冷链设备内冷藏产品的额定温度、额定湿度和额定挥发物含量;
根据所述额定温度、额定湿度和额定挥发物含量,对多个最大温度、多个平均湿度和多个最大挥发物含量进行差值计算,获得多个温度差值、多个湿度差值和多个挥发物含量差值;
在处理模块内,对所述变化温度场内多个监测点的多个最大温度、变化湿度场内多个监测点的多个平均湿度、变化挥发物含量场内多个监测点的多个最大挥发物含量进行提取,其中所述最大温度是指变化温度场内每一个温度场的最大温度值;所述平均湿度是指变化湿度场内每一个湿度场对应的平均湿度,通过计算湿度场的平均湿度值获得;所述最大挥发物含量是指变化挥发物含量场内每一个挥发物含量场的最大挥发物含量。
获取冷链设备内冷藏产品的额定温度、额定湿度和额定挥发物含量,其中所述额定温度、所述额定湿度和额定挥发物含量是指冷链设备内温度、湿度、挥发物含量的标准值,可根据冷藏产品的特性进行设置,其中不同种类的冷藏产品额定值不同。
然后将多个最大温度依次减去额定温度,获得多个温度差值;将多个平均湿度依次减去额定湿度,获得多个湿度差值;将多个最大挥发物含量依次减去额定挥发物含量,获得多个挥发物含量差值。
训练运行质量分析路径,嵌入于处理模块内;
在一个实施例中,还包括:
对冷链设备的运行记录数据进行调取,获取样本温度差值记录、样本湿度差值记录、样本挥发物含量差值记录,并根据运行记录数据内产品的冷藏品质,获取样本运行质量信息记录;
采用样本温度差值记录、样本湿度差值记录、样本挥发物含量差值记录和样本运行质量信息记录,基于机器学习,构建运行质量分析路径,并进行训练直到满足收敛条件。
首先,获取冷链设备的运行记录数据,其中运行记录数据是指冷链设备内储藏货物的历史记录数据,并根据所述运行记录数据,提取多个历史温度差值记录数据作为样本温度差值记录;提取多个历史湿度差值记录数据作为样本湿度差值记录;提取多个历史挥发物含量差值记录数据作为样本挥发物含量差值记录;并获取每一组样本温度差值记录、样本湿度差值记录、样本挥发物含量差值记录对应的产品的冷藏品质,并对产品冷藏品质进行评价,其中产品腐败程度越低,则冷藏品质越高,即运行质量越好,根据多组产品冷藏品质评价结果获取样本运行质量信息记录。
基于神经网络,构建运行质量分析路径的网络结构,其中运行质量分析路径为机器学习中可以进行迭代优化的神经网络模型,通过训练数据集进行监督学习获得。将样本温度差值记录、样本湿度差值记录、样本挥发物含量差值记录和样本运行质量信息记录作为训练数据集,其中每一组样本温度差值记录、样本湿度差值记录、样本挥发物含量差值记录对应一个样本运行质量信息记录。
所述运行质量分析路径的输入数据为温度差值、湿度差值、挥发物含量差值,输出数据为运行质量信息。通过所述训练数据集对运行质量分析路径进行监督训练,首先从训练数据集中随机提取一组训练数据作为第一组训练数据,然后将第一组训练数据输入所述运行质量分析路径,输出运行质量信息,然后将所述运行质量信息和第一组训练数据中的运行质量信息进行比对,当运行质量信息比对结果一致时,本组训练数据监督学习完成,则再次选取第二组训练数据对运行质量分析路径进行监督学习;当质量比对结果不一致时,则进行运行质量分析路径的自我修正,直到输出结果和第一组训练数据的运行质量信息一致时,则本组训练数据监督学习完成,进行第二组训练数据的监督学习。设置输出结果准确率指标,其中输出结果准确率指标可根据实际情况设置,例如:设置输出结果准确率指标为准确率90%。当运行质量分析路径的输出结果准确率大于或等于所述输出结果准确率指标时,则运行质量分析路径满足收敛条件。获得满足收敛条件的运行质量分析路径,并嵌入于处理模块内。
通过基于神经网络和机器学习构建运行质量分析路径,可以提高运行质量信息获得的效率和准确率。
分别将所述多个温度差值、多个湿度差值和多个挥发物含量差值进行组合,作为多组输入数据,输入运行质量分析路径,获得多个运行质量信息;
调取冷链设备的运行数据,获取并根据多个监测点的产品冷藏量,对多个运行质量信息进行加权计算,获得总运行质量信息。
将所述多个温度差值、多个湿度差值和多个挥发物含量差值按照数据监测时间节点进行组合,获得多组输入数据,其中每一组输入数据包括相同数据监测时间节点的温度差值、湿度差值和挥发物含量差值。然后将多组输入数据依次输入所述运行质量分析路径进行运行质量分析,输出多个运行质量信息。
调取冷链设备的运行数据,并根据冷链设备运行数据获取多个监测点的冷藏产品的重量,并根据冷藏产品重量设置对应监测点的权重值,其中监测点冷藏产品的重量越大,则该监测点的权重值越大,可根据实际冷藏产品重量情况进行权重值设置,例如根据每个监测点冷藏产品质量与冷链设备内冷藏产品质量之和的比值,分配权重。
根据多个监测点的权重值对多个运行质量信息进行加权计算,并将加权计算结果作为总运行质量信息,然后根据总运行质量信息进行运行质量评价,其中总运行质量信息的数值越大,则表征产品储藏的品质越好,则运行质量越好,运行质量等级越高,然后将运行质量等级添加进总运行质量信息中。
结合温度、湿度和挥发物含量的变化趋势,对变化温度场、变化湿度场和变化挥发物含量场进行渲染,获得渲染温度场、渲染湿度场和渲染挥发物含量场;
在一个实施例中,还包括:
获取温度渲染规则、湿度渲染规则和挥发物含量渲染规则,所述温度渲染规则内的渲染灰度和温度升高趋势的大小成负相关,湿度渲染规则内的渲染灰度和湿度向额定湿度靠近的趋势的大小成正相关,挥发物含量渲染规则内的渲染灰度和挥发物含量升高趋势的大小成负相关;
根据所述变化温度场、变化湿度场和变化挥发物含量场,计算获得温度变化趋势信息、湿度变化趋势信息和挥发物含量变化趋势信息;
基于所述温度渲染规则、湿度渲染规则和挥发物含量渲染规则,根据温度变化趋势信息、湿度变化趋势信息和挥发物含量变化趋势信息,对变化温度场、变化湿度场和变化挥发物含量场进行渲染,获得渲染温度场、渲染湿度场和渲染挥发物含量场。
首先,获得温度渲染规则、湿度渲染规则和挥发物含量渲染规则,其中所述温度渲染规则内的渲染灰度和温度升高趋势的大小成负相关,即温度升高趋势越大,则渲染灰度值越小,图像颜色越深,温度下降趋势越大,则渲染灰度值越大,图像颜色越浅;湿度渲染规则内的渲染灰度和湿度向额定湿度靠近的趋势的大小成正相关,其中湿度向额定湿度靠近的趋势越大,则渲染灰度值越大,图像颜色越浅,湿度向额定湿度远离的趋势越大,则渲染灰度值越小,图像颜色越深;挥发物含量渲染规则内的渲染灰度和挥发物含量升高趋势的大小成负相关,其中挥发物含量升高趋势越大,则渲染灰度值越小,图像颜色越深,挥发物含量下降趋势越大,则渲染灰度值越大,图像颜色越浅。
根据所述变化温度场、变化湿度场和变化挥发物含量场,分别计算温度变化趋势、湿度变化趋势和挥发物含量变化趋势。首先,计算温度变化趋势,获取所述变化温度场中多个温度场的最大温度值,然后将多个最大温度值按照数据监测时间节点的先后顺序进行排列,构建温度趋势判断坐标系,以数据监测时间节点为X轴,以最大温度为Y轴,将多个最大温度值输入温度趋势判断坐标轴进行分布,并按照数据监测时间节点的先后顺序进行拟合连接,根据最大温度拟合连接曲线获得温度变化趋势信息。利用与获得温度变化趋势信息相同的方法进行湿度变化趋势和挥发物含量变化趋势分析,获得湿度变化趋势信息和挥发物含量变化趋势信息。
然后基于所述温度渲染规则、所述湿度渲染规则和所述挥发物含量渲染规则,根据温度变化趋势信息、湿度变化趋势信息和挥发物含量变化趋势信息,对变化温度场、变化湿度场和变化挥发物含量场进行渲染,其中渲染是指对变化温度场、变化湿度场和变化挥发物含量场进行灰度值渲染,获得渲染温度场、渲染湿度场和渲染挥发物含量场。其中渲染温度场、渲染湿度场和渲染挥发物含量场可以理解为一张具有灰度值的二维或三维图像。
通过根据温度变化趋势信息、湿度变化趋势信息和挥发物含量变化趋势信息对变化温度场、变化湿度场和变化挥发物含量场进行灰度渲染,为下一步进行变化趋势特征提取提供了支持,可以提高变化趋势特征提取的效率和准确率。
对渲染温度场、渲染湿度场和渲染挥发物含量场进行特征提取和处理,并计算获得总运行趋势质量系数;
在一个实施例中,还包括:
对冷链设备的运行记录数据进行调取,渲染获得样本渲染温度场集合、样本渲染湿度场集合和样本渲染挥发物含量场集合;
根据样本渲染温度场集合、样本渲染湿度场集合和样本渲染挥发物含量场集合内的温度、湿度和挥发物含量的变化趋势,评估获得样本运行趋势质量系数集合;
获取冷链设备的运行记录数据,并根据所述运行记录数据进行历史温度变化趋势分析、历史湿度变化趋势分析和历史挥发物含量变化趋势分析,获得运行记录数据对应的历史温度变化趋势信息、历史湿度变化趋势信息和历史挥发物含量变化趋势信息。然后按照所述温度渲染规则、所述湿度渲染规则和所述挥发物含量渲染规则,根据历史温度变化趋势信息、历史湿度变化趋势信息和历史挥发物含量变化趋势信息对所述运行记录数据进行渲染,获得样本渲染温度场集合、样本渲染湿度场集合和样本渲染挥发物含量场集合。
获得样本渲染温度场集合、样本渲染湿度场集合和样本渲染挥发物含量场集合对应的运行记录数据中的冷藏产品发展趋势,例如:冷藏产品发展趋势为冷藏产品按照正常腐败规律进行产品变质还是有加速腐败的趋势,或者由于湿度过低或其他环境参数影响造成冷藏产品水分流失大等情况。然后对样本渲染温度场集合、样本渲染湿度场集合和样本渲染挥发物含量场集合中冷藏产品发展趋势进行评估,根据评估结果获得样本渲染温度场集合对应的样本运行趋势质量系数集合,样本渲染湿度场集合对应的样本运行趋势质量系数集合,样本渲染挥发物含量场集合对应的样本运行趋势质量系数集合。其中样本运行趋势质量系数用于表征冷藏产品的发展趋势方向,其中冷藏产品发展趋势向更好的方向发展时,比如:冷藏产品腐败程度小于预期腐败程度时或冷藏产品水分含量大于预期水分含量时,则样本运行趋势质量系数大于1;冷藏产品发展趋势向差的方向发展时,比如:冷藏产品加速腐败或产品水分含量低于预期水分含量时,则样本运行趋势质量系数小于1。其中样本运行趋势质量系数的具体值可通过现有的变异系数法进行赋值,其中变化趋势越大,当样本运行趋势质量系数大于1时,则样本运行趋势质量系数越大;当样本运行趋势质量系数小于1时,则样本运行趋势质量系数越小。
训练获取运行趋势质量识别通道,嵌入所述处理模块;
在一个实施例中,还包括:
基于深度学习,构建多层卷积层、多层池化层、全连接层和运行趋势质量分类器,获得运行趋势质量识别通道内三个识别路径的网络架构;
采用所述样本渲染温度场集合、样本渲染湿度场集合、样本渲染挥发物含量场集合和样本运行趋势质量系数集合,对三个识别路径进行训练,直到收敛。
基于深度学习和卷积神经网络,构建运行趋势质量识别通道,其中,所述运行趋势质量识别通道包括温度运行趋势质量识别路径、湿度运行趋势质量识别路径、挥发物含量运行趋势质量识别路径,且每一个运行趋势质量识别路径中均包括多层卷积层、多层池化层、全连接层和运行趋势质量分类器,其中卷积层用于对渲染场的灰度图像特征进行特征提取。
然后将所述样本渲染温度场集合和对应的样本运行趋势质量系数集合对温度运行趋势质量识别路径进行训练,其中样本渲染温度场和样本运行趋势质量系数具有对应关系。首先,在所述样本渲染温度场集合和对应的样本运行趋势质量系数集合中选择第一组训练数据,将第一组训练数据输入温度运行趋势质量识别路径进行训练,获得输出结果,然后计算输出结果与第一组训练数据中样本运行趋势质量系数的偏差值,并利用损失函数对偏差值进行误差计算,然后根据误差计算结果对温度运行趋势质量识别路径中各层的参数进行更新,例如:卷积层中的卷积核、全连接层中的权重。通过样本数据进行迭代训练,直到温度运行趋势质量识别路径的输出结果满足预设要求时,获得处于收敛状态的温度运行趋势质量识别路径。
利用相同的训练方法对湿度运行趋势质量识别路径、挥发物含量运行趋势质量识别路径进行训练,直至达到收敛状态。
然后根据达到收敛状态的温度运行趋势质量识别路径、湿度运行趋势质量识别路径、挥发物含量运行趋势质量识别路径组建运行趋势质量识别通道,并嵌入所述处理模块。
通过基于深度学习和卷积网络构建运行趋势质量识别通道,可以提高运行趋势质量系数获得的准确率和效率,从而可以提高冷链设备的运行状态监测结果获得的准确率。
将所述渲染温度场、渲染湿度场和渲染挥发物含量场分别输入所述运行趋势质量识别通道内的三个识别路径,进行卷积特征提取,并分类识别获取三个运行趋势质量系数;
对三个运行趋势质量系数进行加权计算,获得总运行趋势质量系数。
如图2所示,将所述渲染温度场输入所述运行趋势质量识别通道内的温度运行趋势质量识别路径进行卷积特征提取,获得温度运行趋势质量系数;将所述渲染湿度场输入所述运行趋势质量识别通道内的湿度运行趋势质量识别路径进行卷积特征提取,获得湿度运行趋势质量系数;将所述渲染挥发物含量场输入所述运行趋势质量识别通道内的挥发物含量运行趋势质量识别路径进行卷积特征提取,获得挥发物含量运行趋势质量系数。
获取温度运行趋势质量系数、湿度运行趋势质量系数、挥发物含量运行趋势质量系数的权重占比,其中权重占比本领域技术人员可基于对总运行趋势系数的重要程度进行设置,其中重要程度越大,则权重占比越大,可通过现有的变异系数法进行权重占比计算,变异系数法为本领域技术人员常用的权重设置方法,在此不进行展开说明。
根据所述权重占比对温度运行趋势质量系数、湿度运行趋势质量系数、挥发物含量运行趋势质量系数进行加权计算,并将加权计算结果作为总运行趋势质量系数。
采用所述总运行趋势质量系数,对所述总运行质量信息进行校正计算,获得冷链设备的运行状态监测结果。
根据所述总运行趋势质量系数对所述总运行质量信息进行校正计算,即将所述总运行质量信息乘以所述总运行趋势质量系数,并将两者之积作为新的总运行质量信息,对总运行质量信息进行更新。然后对更新完成的总运行质量信息进行运行质量等级评价,获得运行质量等级,并将运行质量等级作为冷链设备的运行状态监测结果。
通过上述方法解决了现有的冷链设备运行状态监测方法由于未考虑到冷链设备中环境变化趋势对储存货物质量的影响,导致冷链设备状态监测的精度和准确率较低的技术问题,可以提高冷链设备状态监测的精度和准确率。
在一个实施例中,如图3所示提供了一种冷链设备运行状态在线监测系统,包括:
冷链设备信息采集模块,所述冷链设备信息采集模块用于通过温度监测器阵列、湿度监测器阵列和挥发物监测器阵列,采集冷链设备内多个监测点在多个时间节点的温度、湿度和冷藏产品变质产生的挥发物含量,形成多个温度序列、多个湿度序列和多个挥发物含量序列;
冷链设备变化场构建模块,所述冷链设备变化场构建模块用于基于多个温度序列、多个湿度序列和多个挥发物含量序列,构建冷链设备的变化温度场、变化湿度场和变化挥发物含量场;
冷链设备运行分析模块,所述冷链设备运行分析模块用于在处理模块内,根据变化温度场、变化湿度场和变化挥发物含量场内多个最大温度、多个平均湿度和多个最大挥发物含量与额定温度值、额定湿度值和额定挥发物含量的差值,进行冷链设备运行分析,获得多个运行质量信息,并计算获得总运行质量信息;
变化场渲染模块,所述变化场渲染模块用于结合温度、湿度和挥发物含量的变化趋势,对变化温度场、变化湿度场和变化挥发物含量场进行渲染,获得渲染温度场、渲染湿度场和渲染挥发物含量场;
总运行趋势质量系数获得模块,所述总运行趋势质量系数获得模块用于对渲染温度场、渲染湿度场和渲染挥发物含量场进行特征提取和处理,并计算获得总运行趋势质量系数;
总运行质量信息校正模块,所述总运行质量信息校正模块用于采用所述总运行趋势质量系数,对所述总运行质量信息进行校正计算,获得冷链设备的运行状态监测结果。
在一个实施例中,所述系统还包括:
气体样本测试模块,所述气体样本测试模块用于在所述多个时间节点时,控制所述挥发物监测器阵列与冷链设备连通,采集多个监测点的气体样本进行测试,获得多个pH值集合;
挥发物含量序列获得模块,所述挥发物含量序列获得模块用于根据挥发物含量对照表,对所述多个pH值集合内的pH值进行比对,获得所述多个挥发物含量序列。
在一个实施例中,所述系统还包括:
监测点信息提取模块,所述监测点信息提取模块用于提取所述变化温度场内多个监测点的多个最大温度、变化湿度场内多个监测点的多个平均湿度,以及变化挥发物含量场内多个监测点的多个最大挥发物含量;
额定信息获取模块,所述额定信息获取模块用于获取冷链设备内冷藏产品的额定温度、额定湿度和额定挥发物含量;
差值计算模块,所述差值计算模块用于根据所述额定温度、额定湿度和额定挥发物含量,对多个最大温度、多个平均湿度和多个最大挥发物含量进行差值计算,获得多个温度差值、多个湿度差值和多个挥发物含量差值;
运行质量分析路径训练模块,所述运行质量分析路径训练模块用于训练运行质量分析路径,嵌入于处理模块内;
运行质量信息获得模块,所述运行质量信息获得模块用于分别将所述多个温度差值、多个湿度差值和多个挥发物含量差值进行组合,作为多组输入数据,输入运行质量分析路径,获得多个运行质量信息;
总运行质量信息获得模块,所述总运行质量信息获得模块用于调取冷链设备的运行数据,获取并根据多个监测点的产品冷藏量,对多个运行质量信息进行加权计算,获得总运行质量信息。
在一个实施例中,所述系统还包括:
样本运行质量信息记录获取模块,所述样本运行质量信息记录获取模块用于对冷链设备的运行记录数据进行调取,获取样本温度差值记录、样本湿度差值记录、样本挥发物含量差值记录,并根据运行记录数据内产品的冷藏品质,获取样本运行质量信息记录;
运行质量分析路径训练模块,所述运行质量分析路径训练模块用于采用样本温度差值记录、样本湿度差值记录、样本挥发物含量差值记录和样本运行质量信息记录,基于机器学习,构建运行质量分析路径,并进行训练直到满足收敛条件。
在一个实施例中,所述系统还包括:
渲染规则获取模块,所述渲染规则获取模块用于获取温度渲染规则、湿度渲染规则和挥发物含量渲染规则,所述温度渲染规则内的渲染灰度和温度升高趋势的大小成负相关,湿度渲染规则内的渲染灰度和湿度向额定湿度靠近的趋势的大小成正相关,挥发物含量渲染规则内的渲染灰度和挥发物含量升高趋势的大小成负相关;
变化趋势信息计算模块,所述变化趋势信息计算模块用于根据所述变化温度场、变化湿度场和变化挥发物含量场,计算获得温度变化趋势信息、湿度变化趋势信息和挥发物含量变化趋势信息;
变化场渲染模块,所述变化场渲染模块用于基于所述温度渲染规则、湿度渲染规则和挥发物含量渲染规则,根据温度变化趋势信息、湿度变化趋势信息和挥发物含量变化趋势信息,对变化温度场、变化湿度场和变化挥发物含量场进行渲染,获得渲染温度场、渲染湿度场和渲染挥发物含量场。
在一个实施例中,所述系统还包括:
运行记录数据调取模块,所述运行记录数据调取模块用于对冷链设备的运行记录数据进行调取,渲染获得样本渲染温度场集合、样本渲染湿度场集合和样本渲染挥发物含量场集合;
样本运行趋势质量系数集合获得模块,所述样本运行趋势质量系数集合获得模块用于根据样本渲染温度场集合、样本渲染湿度场集合和样本渲染挥发物含量场集合内的温度、湿度和挥发物含量的变化趋势,评估获得样本运行趋势质量系数集合;
运行趋势质量识别通道训练模块,所述运行趋势质量识别通道训练模块用于训练获取运行趋势质量识别通道,嵌入所述处理模块;
卷积特征提取模块,所述卷积特征提取模块用于将所述渲染温度场、渲染湿度场和渲染挥发物含量场分别输入所述运行趋势质量识别通道内的三个识别路径,进行卷积特征提取,并分类识别获取三个运行趋势质量系数;
总运行趋势质量系数获得模块,所述总运行趋势质量系数获得模块用于对三个运行趋势质量系数进行加权计算,获得总运行趋势质量系数。
在一个实施例中,所述系统还包括:
识别路径网络架构获得模块,所述识别路径网络架构获得模块用于基于深度学习,构建多层卷积层、多层池化层、全连接层和运行趋势质量分类器,获得运行趋势质量识别通道内三个识别路径的网络架构;
识别路径训练模块,所述识别路径训练模块用于采用所述样本渲染温度场集合、样本渲染湿度场集合、样本渲染挥发物含量场集合和样本运行趋势质量系数集合,对三个识别路径进行训练,直到收敛。
综上所述,与现有技术相比,本公开的实施例具有以下技术效果:
(1)通过结合温度、湿度和挥发物含量的变化趋势进行运行趋势质量分析,并根据运行趋势质量分析结果对运行质量信息进行校正,可以提高冷链设备状态监测的精度和准确率。
(2)通过根据温度变化趋势信息、湿度变化趋势信息和挥发物含量变化趋势信息对变化温度场、变化湿度场和变化挥发物含量场进行灰度渲染,为进行变化趋势特征提取提供了支持,同时可以提高变化趋势特征提取的效率和准确率。
(3)通过基于神经网络和机器学习构建运行质量分析路径,可以提高运行质量信息获得的效率和准确率,通过基于深度学习和卷积网络构建运行趋势质量识别通道,可以提高运行趋势质量系数获得的准确率和效率,从而可以提高冷链设备的运行状态监测结果获得的准确率。
以上所述实施例仅表达了本公开的几种实施方式,但并不能因此而理解为对发明专利范围的限制。因此,在不脱离如由所附权利要求限定的本公开构思的范围的情况下,本领域普通技术人员可做出各种类型的替换、修改和变更,并且这些替换、修改和变更都属于本公开的保护范围。
Claims (8)
1.一种冷链设备运行状态在线监测方法,其特征在于,所述方法应用于一冷链设备运行状态在线监测装置,所述装置包括温度监测器阵列、湿度监测器阵列、挥发物监测器阵列和处理模块,温度监测器阵列、湿度监测器阵列分别布设于冷链设备内,挥发物监测器阵列与冷链设备连通布设,所述方法包括:
通过温度监测器阵列、湿度监测器阵列和挥发物监测器阵列,采集冷链设备内多个监测点在多个时间节点的温度、湿度和冷藏产品变质产生的挥发物含量,形成多个温度序列、多个湿度序列和多个挥发物含量序列;
基于多个温度序列、多个湿度序列和多个挥发物含量序列,构建冷链设备的变化温度场、变化湿度场和变化挥发物含量场;
在处理模块内,根据变化温度场、变化湿度场和变化挥发物含量场内多个最大温度、多个平均湿度和多个最大挥发物含量与额定温度值、额定湿度值和额定挥发物含量的差值,进行冷链设备运行分析,获得多个运行质量信息,并计算获得总运行质量信息;
结合温度、湿度和挥发物含量的变化趋势,对变化温度场、变化湿度场和变化挥发物含量场进行渲染,获得渲染温度场、渲染湿度场和渲染挥发物含量场;
对渲染温度场、渲染湿度场和渲染挥发物含量场进行特征提取和处理,并计算获得总运行趋势质量系数;
采用所述总运行趋势质量系数,对所述总运行质量信息进行校正计算,获得冷链设备的运行状态监测结果。
2.根据权利要求1所述的方法,其特征在于,挥发物监测器阵列包括多个pH传感器,与冷链设备可连通或关闭,按照所述多个时间节点定期采集冷链设备内的气体进行测试,所述方法包括:
在所述多个时间节点时,控制所述挥发物监测器阵列与冷链设备连通,采集多个监测点的气体样本进行测试,获得多个pH值集合;
根据挥发物含量对照表,对所述多个pH值集合内的pH值进行比对,获得所述多个挥发物含量序列。
3.根据权利要求1所述的方法,其特征在于,根据变化温度场、变化湿度场和变化挥发物含量场内多个最大温度、多个平均湿度和多个最大挥发物含量与额定温度值、额定湿度值和额定挥发物含量的差值,进行冷链设备运行分析,获得多个运行质量信息,包括:
提取所述变化温度场内多个监测点的多个最大温度、变化湿度场内多个监测点的多个平均湿度,以及变化挥发物含量场内多个监测点的多个最大挥发物含量;
获取冷链设备内冷藏产品的额定温度、额定湿度和额定挥发物含量;
根据所述额定温度、额定湿度和额定挥发物含量,对多个最大温度、多个平均湿度和多个最大挥发物含量进行差值计算,获得多个温度差值、多个湿度差值和多个挥发物含量差值;
训练运行质量分析路径,嵌入于处理模块内;
分别将所述多个温度差值、多个湿度差值和多个挥发物含量差值进行组合,作为多组输入数据,输入运行质量分析路径,获得多个运行质量信息;
调取冷链设备的运行数据,获取并根据多个监测点的产品冷藏量,对多个运行质量信息进行加权计算,获得总运行质量信息。
4.根据权利要求3所述的方法,其特征在于,训练运行质量分析路径,包括:
对冷链设备的运行记录数据进行调取,获取样本温度差值记录、样本湿度差值记录、样本挥发物含量差值记录,并根据运行记录数据内产品的冷藏品质,获取样本运行质量信息记录;
采用样本温度差值记录、样本湿度差值记录、样本挥发物含量差值记录和样本运行质量信息记录,基于机器学习,构建运行质量分析路径,并进行训练直到满足收敛条件。
5.根据权利要求1所述的方法,其特征在于,结合温度、湿度和挥发物含量的变化趋势,对变化温度场、变化湿度场和变化挥发物含量场进行渲染,获得渲染温度场、渲染湿度场和渲染挥发物含量场,包括:
获取温度渲染规则、湿度渲染规则和挥发物含量渲染规则,所述温度渲染规则内的渲染灰度和温度升高趋势的大小成负相关,湿度渲染规则内的渲染灰度和湿度向额定湿度靠近的趋势的大小成正相关,挥发物含量渲染规则内的渲染灰度和挥发物含量升高趋势的大小成负相关;
根据所述变化温度场、变化湿度场和变化挥发物含量场,计算获得温度变化趋势信息、湿度变化趋势信息和挥发物含量变化趋势信息;
基于所述温度渲染规则、湿度渲染规则和挥发物含量渲染规则,根据温度变化趋势信息、湿度变化趋势信息和挥发物含量变化趋势信息,对变化温度场、变化湿度场和变化挥发物含量场进行渲染,获得渲染温度场、渲染湿度场和渲染挥发物含量场。
6.根据权利要求1所述的方法,其特征在于,对渲染温度场、渲染湿度场和渲染挥发物含量场进行特征提取和处理,获得多个运行趋势质量系数,包括:
对冷链设备的运行记录数据进行调取,渲染获得样本渲染温度场集合、样本渲染湿度场集合和样本渲染挥发物含量场集合;
根据样本渲染温度场集合、样本渲染湿度场集合和样本渲染挥发物含量场集合内的温度、湿度和挥发物含量的变化趋势,评估获得样本运行趋势质量系数集合;
训练获取运行趋势质量识别通道,嵌入所述处理模块;
将所述渲染温度场、渲染湿度场和渲染挥发物含量场分别输入所述运行趋势质量识别通道内的三个识别路径,进行卷积特征提取,并分类识别获取三个运行趋势质量系数;
对三个运行趋势质量系数进行加权计算,获得总运行趋势质量系数。
7.根据权利要求6所述的方法,其特征在于,训练获取运行趋势质量识别路径,包括:
基于深度学习,构建多层卷积层、多层池化层、全连接层和运行趋势质量分类器,获得运行趋势质量识别通道内三个识别路径的网络架构;
采用所述样本渲染温度场集合、样本渲染湿度场集合、样本渲染挥发物含量场集合和样本运行趋势质量系数集合,对三个识别路径进行训练,直到收敛。
8.一种冷链设备运行状态在线监测系统,其特征在于,用于执行权利要求1-7中所述的一种冷链设备运行状态在线监测方法中任意一项方法的步骤,所述系统包括:
冷链设备信息采集模块,所述冷链设备信息采集模块用于通过温度监测器阵列、湿度监测器阵列和挥发物监测器阵列,采集冷链设备内多个监测点在多个时间节点的温度、湿度和冷藏产品变质产生的挥发物含量,形成多个温度序列、多个湿度序列和多个挥发物含量序列;
冷链设备变化场构建模块,所述冷链设备变化场构建模块用于基于多个温度序列、多个湿度序列和多个挥发物含量序列,构建冷链设备的变化温度场、变化湿度场和变化挥发物含量场;
冷链设备运行分析模块,所述冷链设备运行分析模块用于在处理模块内,根据变化温度场、变化湿度场和变化挥发物含量场内多个最大温度、多个平均湿度和多个最大挥发物含量与额定温度值、额定湿度值和额定挥发物含量的差值,进行冷链设备运行分析,获得多个运行质量信息,并计算获得总运行质量信息;
变化场渲染模块,所述变化场渲染模块用于结合温度、湿度和挥发物含量的变化趋势,对变化温度场、变化湿度场和变化挥发物含量场进行渲染,获得渲染温度场、渲染湿度场和渲染挥发物含量场;
总运行趋势质量系数获得模块,所述总运行趋势质量系数获得模块用于对渲染温度场、渲染湿度场和渲染挥发物含量场进行特征提取和处理,并计算获得总运行趋势质量系数;
总运行质量信息校正模块,所述总运行质量信息校正模块用于采用所述总运行趋势质量系数,对所述总运行质量信息进行校正计算,获得冷链设备的运行状态监测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311226361.3A CN116972913B (zh) | 2023-09-22 | 2023-09-22 | 一种冷链设备运行状态在线监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311226361.3A CN116972913B (zh) | 2023-09-22 | 2023-09-22 | 一种冷链设备运行状态在线监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116972913A true CN116972913A (zh) | 2023-10-31 |
CN116972913B CN116972913B (zh) | 2023-12-01 |
Family
ID=88473315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311226361.3A Active CN116972913B (zh) | 2023-09-22 | 2023-09-22 | 一种冷链设备运行状态在线监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116972913B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117611031A (zh) * | 2023-12-04 | 2024-02-27 | 冻冻(北京)网络科技有限公司 | 一种冷链物联网物流温度实时监控方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109852677A (zh) * | 2019-04-12 | 2019-06-07 | 河南农业大学 | 一种冷链肉与肉制品物流过程中品质智能检测方法及系统 |
CN112162539A (zh) * | 2020-10-09 | 2021-01-01 | 合肥快乐通冷链物流配送有限公司 | 一种冷链仓储环境监控系统 |
CN112881616A (zh) * | 2021-02-03 | 2021-06-01 | 浙江清华长三角研究院 | 一种车载式食品品质监测的电子鼻装置 |
CN112985494A (zh) * | 2021-02-02 | 2021-06-18 | 南京可宇科技有限公司 | 基于大数据和人工智能的冷链智慧物流运输在线实时监测云平台 |
WO2021174659A1 (zh) * | 2020-03-04 | 2021-09-10 | 杭州群核信息技术有限公司 | 一种基于WebGL可编辑大场景渐进式实时渲染方法 |
CN113406136A (zh) * | 2021-06-23 | 2021-09-17 | 中国建筑材料科学研究总院有限公司 | 采用气冻气融法检测材料抗冻性的装置及方法 |
KR20230061651A (ko) * | 2021-10-28 | 2023-05-09 | 광운대학교 산학협력단 | 신선 식품 유통을 위한 콜드체인 바이오 센싱 시스템 |
CN116447822A (zh) * | 2023-04-17 | 2023-07-18 | 长虹美菱股份有限公司 | 食材新鲜度监测冰箱及控制方法 |
-
2023
- 2023-09-22 CN CN202311226361.3A patent/CN116972913B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109852677A (zh) * | 2019-04-12 | 2019-06-07 | 河南农业大学 | 一种冷链肉与肉制品物流过程中品质智能检测方法及系统 |
WO2021174659A1 (zh) * | 2020-03-04 | 2021-09-10 | 杭州群核信息技术有限公司 | 一种基于WebGL可编辑大场景渐进式实时渲染方法 |
CN112162539A (zh) * | 2020-10-09 | 2021-01-01 | 合肥快乐通冷链物流配送有限公司 | 一种冷链仓储环境监控系统 |
CN112985494A (zh) * | 2021-02-02 | 2021-06-18 | 南京可宇科技有限公司 | 基于大数据和人工智能的冷链智慧物流运输在线实时监测云平台 |
CN112881616A (zh) * | 2021-02-03 | 2021-06-01 | 浙江清华长三角研究院 | 一种车载式食品品质监测的电子鼻装置 |
CN113406136A (zh) * | 2021-06-23 | 2021-09-17 | 中国建筑材料科学研究总院有限公司 | 采用气冻气融法检测材料抗冻性的装置及方法 |
KR20230061651A (ko) * | 2021-10-28 | 2023-05-09 | 광운대학교 산학협력단 | 신선 식품 유통을 위한 콜드체인 바이오 센싱 시스템 |
CN116447822A (zh) * | 2023-04-17 | 2023-07-18 | 长虹美菱股份有限公司 | 食材新鲜度监测冰箱及控制方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117611031A (zh) * | 2023-12-04 | 2024-02-27 | 冻冻(北京)网络科技有限公司 | 一种冷链物联网物流温度实时监控方法及系统 |
CN117611031B (zh) * | 2023-12-04 | 2024-05-28 | 冻冻(北京)网络科技有限公司 | 一种冷链物联网物流温度实时监控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116972913B (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116972913B (zh) | 一种冷链设备运行状态在线监测方法及系统 | |
CN107730000A (zh) | 用于空调的冷媒泄漏检测方法和装置 | |
CN110609524A (zh) | 一种工业设备剩余寿命预测模型及其构建方法和应用 | |
CN111723925B (zh) | 一种在途智能列车空调机组故障诊断方法、装置、设备及介质 | |
CN111027908A (zh) | 一种基于机器学习的智能粮仓管控方法及终端 | |
CN112116002A (zh) | 一种检测模型的确定方法、验证方法和装置 | |
CN113379686A (zh) | 一种pcb板缺陷检测方法及装置 | |
CN113435726A (zh) | 一种商品管理方法和系统 | |
CN114556383A (zh) | 模型生成装置、推定装置、模型生成方法以及模型生成程序 | |
CN117150283A (zh) | 一种基于大数据分析的突发环境事件安全预警方法 | |
CN111079348A (zh) | 一种缓变信号检测方法和装置 | |
CN114048546A (zh) | 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法 | |
CN116542565B (zh) | 一种基于比例检测技术的宠物膨化食品管理方法及系统 | |
CN111309973A (zh) | 基于改进马尔可夫模型和改进k最近邻的缺失值填补方法 | |
CN107884744B (zh) | 无源被动式室内定位方法及装置 | |
CN113536989B (zh) | 基于摄像视频逐帧分析的制冷机结霜监控方法及系统 | |
CN116186507A (zh) | 一种特征子集的选取方法、装置及存储介质 | |
WO2022059135A1 (ja) | エラー要因の推定装置及び推定方法 | |
Karamchandani et al. | E-nose for shelf-life prediction of climacteric fruits | |
Hammerbacher et al. | Including sparse production knowledge into variational autoencoders to increase anomaly detection reliability | |
CN113971737A (zh) | 用于机器人的物体识别方法、电子设备、介质和程序产品 | |
Bardhan et al. | Improving IoT Sensor Data Quality using Kalman Filter: The case of Cold Chain monitoring for Indian Mangoes | |
CN117665224B (zh) | 一种用于食品检测的智能实验室管理方法 | |
CN117611031B (zh) | 一种冷链物联网物流温度实时监控方法及系统 | |
CN110454904B (zh) | 除湿机中冷媒含量的处理方法和装置 |
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 |