CN117611031A - 一种冷链物联网物流温度实时监控方法及系统 - Google Patents
一种冷链物联网物流温度实时监控方法及系统 Download PDFInfo
- Publication number
- CN117611031A CN117611031A CN202311651266.8A CN202311651266A CN117611031A CN 117611031 A CN117611031 A CN 117611031A CN 202311651266 A CN202311651266 A CN 202311651266A CN 117611031 A CN117611031 A CN 117611031A
- Authority
- CN
- China
- Prior art keywords
- data
- temperature
- humidity
- data point
- point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 230000005856 abnormality Effects 0.000 claims abstract description 40
- 230000008859 change Effects 0.000 claims description 23
- 230000002159 abnormal effect Effects 0.000 claims description 21
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 description 11
- 238000001514 detection method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- 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
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种冷链物联网物流温度实时监控方法及系统,包括:获取储藏室的温度和湿度数据序列;获取储藏室的温度和湿度数据序列的每个数据点的初级异常程度;根据储藏室的温度和湿度数据序列的每个数据点的高级异常程度,获取每个数据点对应优化后的数据段长度;根据储藏室的温度和湿度数据序列的每个数据点对应优化后的数据段长度,对冷链物流储藏室的温度进行实时监控。本发明使得对冷链物联网物流温度的监控方法准确性更高、鲁棒性更强。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种冷链物联网物流温度实时监控方法及系统。
背景技术
在对冷链物联网物流温度进行实时监控时,可能会出现异常的高温现象,温度升高对于冷链产品的保存时间以及保存效果都会产生负面的影响。传统的人工实时监控方法耗时、费力,时间经济成本偏大。现有的对冷链物联网物流温度进行实时监控的方法是与自适应阈值分割方法的思想一致的数据分段方法,该方法有着较强的自适应性以及实用性,同样也可以对于异常数据有着更高的检测精度。
在使用自适应阈值分割方法的思想对整个冷链物流中的温度异常程度数据通过数据分段来实时监控时。冷链运输中可能存在高湿度环境,会对温度传感器的精度造成影响,导致会存在一些虚假的异常高温数据干扰检测结果。具体的,高湿度环境中的水分也能够改变空气的导热性,从而影响温度传感器的测量。水分的导热性较低,与空气相比,其传导热量的能力较差。因此,当传感器周围存在较高湿度时,可能会导致热量传递减慢或热量积聚,使得温度传感器测量到的温度偏高;由于存在湿度增高导致的假异常出现,而假异常反映在数值层面与真异常极为相似,所以现有的基于自适应阈值分割算法思想的数据分段方法难以识别出异常数据。
发明内容
为了解决上述问题,本发明提供一种冷链物联网物流温度实时监控方法及系统。
本发明一个实施例提供了一种冷链物联网物流温度实时监控方法,该方法包括以下步骤:
获取储藏室的温度和湿度数据序列,储藏室的温度和湿度数据序列包含若干个数据点,所述数据点表示每个采样时刻的温度数据和湿度数据;
根据储藏室的温度和湿度数据序列中相邻数据点的温度数据差异,获取每个数据点的温度均匀变化量;根据每个数据点与相邻数据点的温度数据差值和每个数据点的温度均匀变化量,获取每个数据点的初级异常程度;
对于任意一个数据点,将所述数据点之前的所有数据点记为所述数据点的第一数据点;根据每个数据点的相邻第一数据点的湿度数据差异,获取每个数据点的湿度均匀变化量;根据每个数据点的相邻第一数据点的温度数据差值,获取每个数据点的温度变换次数;根据每个数据点的相邻第一数据点的湿度数据差值,获取每个数据点的湿度变换次数;根据储藏室的温度和湿度数据序列的每个数据点的初级异常程度、湿度均匀变化量、温度变换次数和湿度变换次数,获取每个数据点的高级异常程度;根据每个数据点的高级异常程度,获取每个数据点的对应优化后的数据段长度;
根据每个数据点的对应优化后的数据段长度,对数据点的温度数据和湿度数据划分段处理获取分段后的储藏室的温度和湿度数据,根据分段后的储藏室的温度和湿度数据,获取储藏室的温度和湿度数据序列的正常温度数据和异常温度数据,实现对冷链物联网物流温度的监控。
优选的,所述根据储藏室的温度和湿度数据序列中相邻数据点的温度数据差异,获取每个数据点的温度均匀变化量,包括的具体方法为:
对于储藏室的温度和湿度数据序列的第s个数据点,将第s个数据点之前的所有数据点记为第s个数据点的第一数据点,将相邻两个第一数据点的温度数据的差值绝对值作为第s个数据点的一个第一温度差值,将第s个数据点的所有第一温度差值的均值作为第s个数据点的温度均匀变化量。
优选的,所述根据每个数据点与相邻数据点的温度数据差值和每个数据点的温度均匀变化量,获取每个数据点的初级异常程度的具体公式为:
式中,Cs表示储藏室的温度和湿度数据序列的第s个数据点的初级异常程度;T0表示储藏室的温度和湿度数据序列的所有数据点的温度数据均值;Ts表示储藏室的温度和湿度数据序列的第s个数据点的温度数据;Ts-1表示储藏室的温度和湿度数据序列的第s-1个数据点的温度数据;表示表示储藏室的温度和湿度数据序列的第s个数据点的温度均匀变化量;||表示取绝对值。
优选的,所述根据每个数据点的相邻第一数据点的湿度数据差异,获取每个数据点的湿度均匀变化量,包括的具体方法为:
将第s个数据点的相邻两个第一数据点的湿度数据的差值绝对值作为第s个数据点的一个第一湿度差值,将第s个数据点的所有第一湿度差值的均值作为第s个数据点的湿度均匀变化量。
优选的,所述根据每个数据点的相邻第一数据点的温度数据差值,获取每个数据点的温度变换次数,包括的具体方法为:
若第s个数据点的相邻两个第一数据点的温度数据的差值大于或等于0,则将相邻两个第一数据点的温度数据的差值作为第s个数据点的一个正向温度差值,若相邻两个第一数据点的温度数据的差值小于0,则将相邻两个第一数据点的温度数据的差值作为第s个数据点的一个负向温度差值,所述相邻两个第一数据点的温度数据的差值是指相邻两个第一数据点中第一个第一数据点与第二个第一数据点的温度数据的差值,若第s个数据点的所有正向温度差值数量小于或等于第s个数据点的所有负向温度差值数量,则将第s个数据点的所有正向温度差值数量作为第s个数据点的温度变换次数,若第s个数据点的所有正向温度差值数量大于第s个数据点的所有负向温度差值数量,则将第s个数据点的所有负向温度差值数量作为第s个数据点的温度变换次数。
优选的,所述根据每个数据点的相邻第一数据点的湿度数据差值,获取每个数据点的湿度变换次数,包括的具体方法为:
若第s个数据点的相邻两个第一数据点的湿度数据的差值大于或等于0,则将相邻两个第一数据点的湿度数据的差值作为第s个数据点的一个正向湿度差值,若相邻两个第一数据点的湿度数据的差值小于0,则将相邻两个第一数据点的湿度数据的差值作为第s个数据点的一个负向湿度差值,所述相邻两个第一数据点的湿度数据的差值是指相邻两个第一数据点中第一个第一数据点与第二个第一数据点的湿度数据的差值,若第s个数据点的所有正向湿度差值数量小于或等于第s个数据点的所有负向湿度差值数量,则将第s个数据点的所有正向湿度差值数量作为第s个数据点的湿度变换次数,若第s个数据点的所有正向湿度差值数量大于第s个数据点的所有负向湿度差值数量,则将第s个数据点的所有负向湿度差值数量作为第s个数据点的湿度变换次数。
优选的,所述根据储藏室的温度和湿度数据序列的每个数据点的初级异常程度、湿度均匀变化量、温度变换次数和湿度变换次数,获取每个数据点的高级异常程度的具体公式为:
式中,Fs表示储藏室的温度和湿度数据序列的第s个数据点的高级异常程度;Cs表示储藏室的温度和湿度数据序列的第s个数据点的初级异常程度;Ts表示储藏室的温度和湿度数据序列的第s个数据点的温度数据;Ts-1表示储藏室的温度和湿度数据序列的第s-1个数据点的温度数据;表示表示储藏室的温度和湿度数据序列的第s个数据点的温度均匀变化量;Ws表示储藏室的温度和湿度数据序列的第s个数据点的湿度数据;Ws-1表示储藏室的温度和湿度数据序列的第s-1个数据点的湿度数据;/>表示表示储藏室的温度和湿度数据序列的第s个数据点的湿度均匀变化量;NTs表示储藏室的温度和湿度数据序列的第s个数据点的温度变换次数;NWs表示储藏室的温度和湿度数据序列的第s个数据点的湿度变换次数;||表示取绝对值。
优选的,所述根据每个数据点的高级异常程度,获取每个数据点的对应优化后的数据段长度,包括的具体方法为:
获取第s个数据点的预设数据范围,则储藏室的温度和湿度数据序列的第s个数据点对应优化后的数据段长度的计算方法为:
式中,Ls表示储藏室的温度和湿度数据序列的第s个数据点对应优化后的数据段长度;Ks表示储藏室的温度和湿度数据序列的第s个数据点的预设数据范围的数据点总数量;Fs,i表示储藏室的温度和湿度数据序列的第s个数据点的预设数据范围中第i个数据点的高级异常程度;Ls,0表示储藏室的温度和湿度数据序列的第s个数据点的预设数据范围中所有数据点数量;KWs表示储藏室的温度和湿度数据序列的第s个数据点的预设数据范围中与第s个数据点的湿度数据相同的数据点数量;norm()表示线性归一化函数。
优选的,所述获取第s个数据点的预设数据范围,包括的具体方法为:
对于储藏室的温度和湿度数据序列的第s个数据点,将第s个数据点左右各相邻n个数据点组成的数据范围,作为第s个数据点的预设数据范围,n为预设参数。
本发明还提出一种冷链物联网物流温度实时监控系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现任意一项所述一种冷链物联网物流温度实时监控方法的步骤。
本发明的技术方案的有益效果是:通过对温度序列的数据点的异常程度的分析与数据分段过程时当前需要进行长度自适应的数据段与周围数据段对于湿度数据表现的一致性来对于当前数据段的长度进行自适应优化,来达到对于受到高湿度影响而被检测出来的异常温度数据更好的识别效果,使得对冷链物联网物流温度的监控方法准确性更高、鲁棒性更强。
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一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明的一种冷链物联网物流温度实时监控方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种冷链物联网物流温度实时监控方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种冷链物联网物流温度实时监控方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种冷链物联网物流温度实时监控方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取储藏室的温度和湿度数据序列。
需要说明的是,对冷链物联网物流温度进行实时监控使用与自适应阈值分割算法思想一致的数据分段方法对数据段长度进行自适应调整时,因为高湿度环境导致一些虚假的异常数据会被分割出来。所以需要结合每一个数据段内所有数据点自身的异常程度以及当前数据段中心数据点与其相邻数据点对于湿度数据的表现的一致性等来对当前数据段的长度进行自适应调整,本实施例实现的依据是对于冷链物流中储藏室内的温度数据以及湿度数据的采集获取。
具体的,为了实现本实施例提出的一种冷链物联网物流温度实时监控方法,首先需要采集储藏室的温度和湿度数据序列,具体过程为:
分别使用高精度温度计与高精度湿度计在放置冷链产品的储藏室内的同一个位置同时开始采集,采集总时长为一小时,采集频率为每秒一次;然后将温度传感器与湿度传感器获得的数据通过无线网络或有线网络传输至数据中心或云端服务器,进而获得储藏室的温度和湿度数据序列,储藏室的温度和湿度数据序列包含若干个数据点,所述数据点表示每个采样时刻的温度数据和湿度数据。
至此,通过上述方法得到储藏室的温度和湿度数据。
步骤S002:获取储藏室的温度和湿度数据序列的每个数据点的初级异常程度。
需要说明的是,在对冷链物联网物流温度实时监控时,由于异常数据是高温数据,所以储藏室的温度数据中的异常数据点相较于其他正常的数据点会具有更高的温度数据;同时,每个数据点相较于其上一个数据点的温度数据的变化量越稳定,说明该数据点是异常数据的可能性就越小;进而每个数据点相较于其上一个数据点的温度数据的变化量越不稳定,说明该数据点是异常数据的可能性就越大。
具体的,对于储藏室的温度和湿度数据序列的第s个数据点,将第s个数据点之前的所有数据点记为第s个数据点的第一数据点,将相邻两个第一数据点的温度数据的差值绝对值作为第s个数据点的一个第一温度差值,将第s个数据点的所有第一温度差值的均值作为第s个数据点的温度均匀变化量;则储藏室的温度和湿度数据序列的第s个数据点的初级异常程度的计算方法为:
式中,Cs表示储藏室的温度和湿度数据序列的第s个数据点的初级异常程度;T0表示储藏室的温度和湿度数据序列的所有数据点的温度数据均值;Ts表示储藏室的温度和湿度数据序列的第s个数据点的温度数据;Ts-1表示储藏室的温度和湿度数据序列的第s-1个数据点的温度数据;表示表示储藏室的温度和湿度数据序列的第s个数据点的温度均匀变化量;||表示取绝对值。
需要说明的是,表示第s个数据点的温度数据在整个储藏室的温度和湿度数据序列中的相对大小,该值越大,说明该数据点的初级异常程度越大,说明该数据点的温度数据为异常数据的可能性越大;|Ts-Ts-1|表示第s个数据点相较于第s-1个数据点的温度数据的变化量,/>表示第s个数据点相较于第s-1个数据点的温度数据的变化量与之前多个相邻的数据点温度值平均变化量的差值的绝对值,用来体现第s个数据点的温度的变化量的稳定性,该值越小,说明第s个数据点的初级异常程度越小,说明第s个数据点是异常数据的可能性越小。同时,/>本身的数值越大,代表着第s个数据点之前的所有数据点相较于它们的上一数据点的温度数据的变化量的平均值越大,那么第s个数据点相较于第s-1个个数据点的变化量的可信度越高,对应的第s个数据点发生数据异常的可信度也就越大。
至此,通过上述方法得到储藏室的温度和湿度数据序列的每个数据点的初级异常程度。
步骤S003:根据储藏室的温度和湿度数据序列的每个数据点的高级异常程度,获取每个数据点对应优化后的数据段长度。
1.获取储藏室的温度和湿度数据序列的每个数据点的高级异常程度。
需要说明的是,通过场景调研得知,储藏室内的湿度数据也同样会影响温度数据测量的准确性。所以可以结合同一时刻下的湿度数据变化与温度数据变化的一致性以及整个温度数据段与湿度数据段中对应的相邻数据点之间的变化量发生相同正负变化的次数,来对得到的初级异常程度进行修正得到每一个数据点对应的高级异常程度。
具体的,对于储藏室的温度和湿度数据序列的第s个数据点,将第s个数据点之前的所有数据点记为第s个数据点的第一数据点,将相邻两个第一数据点的湿度数据的差值绝对值作为第s个数据点的一个第一湿度差值,将第s个数据点的所有第一湿度差值的均值作为第s个数据点的湿度均匀变化量;若相邻两个第一数据点的温度数据的差值大于或等于0,则将相邻两个第一数据点的温度数据的差值作为第s个数据点的一个正向温度差值,若相邻两个第一数据点的温度数据的差值小于0,则将相邻两个第一数据点的温度数据的差值作为第s个数据点的一个负向温度差值,所述相邻两个第一数据点的温度数据的差值是指相邻两个第一数据点中第一个第一数据点与第二个第一数据点的温度数据的差值,若第s个数据点的所有正向温度差值数量小于或等于第s个数据点的所有负向温度差值数量,则将第s个数据点的所有正向温度差值数量作为第s个数据点的温度变换次数,若第s个数据点的所有正向温度差值数量大于第s个数据点的所有负向温度差值数量,则将第s个数据点的所有负向温度差值数量作为第s个数据点的温度变换次数;若相邻两个第一数据点的湿度数据的差值大于或等于0,则将相邻两个第一数据点的湿度数据的差值作为第s个数据点的一个正向湿度差值,若相邻两个第一数据点的湿度数据的差值小于0,则将相邻两个第一数据点的湿度数据的差值作为第s个数据点的一个负向湿度差值,所述相邻两个第一数据点的湿度数据的差值是指相邻两个第一数据点中第一个第一数据点与第二个第一数据点的湿度数据的差值,若第s个数据点的所有正向湿度差值数量小于或等于第s个数据点的所有负向湿度差值数量,则将第s个数据点的所有正向湿度差值数量作为第s个数据点的湿度变换次数,若第s个数据点的所有正向湿度差值数量大于第·个数据点的所有负向湿度差值数量,则将第s个数据点的所有负向湿度差值数量作为第s个数据点的湿度变换次数;则储藏室的温度和湿度数据序列的第s个数据点的高级异常程度的计算方法为:
式中,Fs表示储藏室的温度和湿度数据序列的第s个数据点的高级异常程度;Cs表示储藏室的温度和湿度数据序列的第s个数据点的初级异常程度;Ts表示储藏室的温度和湿度数据序列的第s个数据点的温度数据;Ts-1表示储藏室的温度和湿度数据序列的第s-1个数据点的温度数据;表示表示储藏室的温度和湿度数据序列的第s个数据点的温度均匀变化量;Ws表示储藏室的温度和湿度数据序列的第s个数据点的湿度数据;Ws-1表示储藏室的温度和湿度数据序列的第s-1个数据点的湿度数据;/>表示表示储藏室的温度和湿度数据序列的第s个数据点的湿度均匀变化量;NTs表示储藏室的温度和湿度数据序列的第s个数据点的温度变换次数;NWs表示储藏室的温度和湿度数据序列的第s个数据点的湿度变换次数;||表示取绝对值。
至此,获得储藏室的温度和湿度数据序列的每个数据点的高级异常程度。
2.获取储藏室的温度和湿度数据序列的每个数据点对应优化后的数据段长度。
需要说明的是,获得储藏室的温度和湿度数据序列的每个数据点的高级异常程度,则需要对每一个数据点对应的高级异常程度数据使用自适应阈值分割思想的数据分段方法来确定出对高级异常程度数据进行判定的阈值。在确定阈值之前,需要基于每一个数据点周围的数据点中与其对对应相同时间下湿度数据的表现一致的数据点的个数来确定每一个数据点对应数据段的长度,对应的相同数据点的个数越多,其数据段长度越长。
预设一个参数n,其中本实施例以n=10为例进行叙述,本实施例不进行具体限定,其中n根据具体实施情况而定。
具体的,对于储藏室的温度和湿度数据序列的第s个数据点,将第s个数据点左右各相邻n个数据点组成的数据范围,作为第s个数据点的预设数据范围;则储藏室的温度和湿度数据序列的第s个数据点对应优化后的数据段长度的计算方法为:
式中,Ls表示储藏室的温度和湿度数据序列的第s个数据点对应优化后的数据段长度;Ks表示储藏室的温度和湿度数据序列的第s个数据点的预设数据范围的数据点总数量;Fs,i表示储藏室的温度和湿度数据序列的第s个数据点的预设数据范围中第i个数据点的高级异常程度;Ls,0表示储藏室的温度和湿度数据序列的第s个数据点的预设数据范围中所有数据点数量;KWs表示储藏室的温度和湿度数据序列的第s个数据点的预设数据范围中与第s个数据点的湿度数据相同的数据点数量;norm()表示线性归一化函数。
至此,获得储藏室的温度和湿度数据序列的每个数据点对应优化后的数据段长度。
步骤S004:根据储藏室的温度和湿度数据序列的每个数据点对应优化后的数据段长度,对冷链物流储藏室的温度进行实时监控。
预设一个阈值X,其中本实施例以X=0.7为例进行叙述,本实施例不进行具体限定,其中X根据具体实施情况而定。
具体的,根据储藏室的温度和湿度数据序列的每个数据点对应优化后的数据段长度,将储藏室的温度和湿度数据序列进行分段,获得分段后的储藏室的温度和湿度数据,对于每个分段后储藏室的温度和湿度数据,利用对应数据点的高级异常程度线性归一后的结果值作为每个分段后储藏室的温度和湿度数据的异常数据检测阈值,若所述分段后储藏室的温度和湿度数据的异常数据检测阈值大于或等于预设阈值X,则将所述段储藏室的温度和湿度数据记为异常温度数据,反之,则将所述分段后储藏室的温度和湿度数据记为正常温度数据;进而获取储藏室的温度和湿度数据序列的正常温度数据和异常温度数据。
通过以上步骤,完成一种冷链物联网物流湿度实时监控方法。
本发明还提出一种冷链物联网物流湿度实时监控系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现任意一项所述一种冷链物联网物流湿度实时监控方法的步骤。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种冷链物联网物流温度实时监控方法,其特征在于,该方法包括以下步骤:
获取储藏室的温度和湿度数据序列,储藏室的温度和湿度数据序列包含若干个数据点,所述数据点表示每个采样时刻的温度数据和湿度数据;
根据储藏室的温度和湿度数据序列中相邻数据点的温度数据差异,获取每个数据点的温度均匀变化量;根据每个数据点与相邻数据点的温度数据差值和每个数据点的温度均匀变化量,获取每个数据点的初级异常程度;
对于任意一个数据点,将所述数据点之前的所有数据点记为所述数据点的第一数据点;根据每个数据点的相邻第一数据点的湿度数据差异,获取每个数据点的湿度均匀变化量;根据每个数据点的相邻第一数据点的温度数据差值,获取每个数据点的温度变换次数;根据每个数据点的相邻第一数据点的湿度数据差值,获取每个数据点的湿度变换次数;根据储藏室的温度和湿度数据序列的每个数据点的初级异常程度、湿度均匀变化量、温度变换次数和湿度变换次数,获取每个数据点的高级异常程度;根据每个数据点的高级异常程度,获取每个数据点的对应优化后的数据段长度;
根据每个数据点的对应优化后的数据段长度,对数据点的温度数据和湿度数据划分段处理获取分段后的储藏室的温度和湿度数据,根据分段后的储藏室的温度和湿度数据,获取储藏室的温度和湿度数据序列的正常温度数据和异常温度数据,实现对冷链物联网物流温度的监控。
2.根据权利要求1所述一种冷链物联网物流温度实时监控方法,其特征在于,所述根据储藏室的温度和湿度数据序列中相邻数据点的温度数据差异,获取每个数据点的温度均匀变化量,包括的具体方法为:
对于储藏室的温度和湿度数据序列的第s个数据点,将第s个数据点之前的所有数据点记为第s个数据点的第一数据点,将相邻两个第一数据点的温度数据的差值绝对值作为第s个数据点的一个第一温度差值,将第s个数据点的所有第一温度差值的均值作为第s个数据点的温度均匀变化量。
3.根据权利要求1所述一种冷链物联网物流温度实时监控方法,其特征在于,所述根据每个数据点与相邻数据点的温度数据差值和每个数据点的温度均匀变化量,获取每个数据点的初级异常程度的具体公式为:
式中,Cs表示储藏室的温度和湿度数据序列的第s个数据点的初级异常程度;T0表示储藏室的温度和湿度数据序列的所有数据点的温度数据均值;Ts表示储藏室的温度和湿度数据序列的第s个数据点的温度数据;Ts-1表示储藏室的温度和湿度数据序列的第s-1个数据点的温度数据;表示表示储藏室的温度和湿度数据序列的第s个数据点的温度均匀变化量;||表示取绝对值。
4.根据权利要求1所述一种冷链物联网物流温度实时监控方法,其特征在于,所述根据每个数据点的相邻第一数据点的湿度数据差异,获取每个数据点的湿度均匀变化量,包括的具体方法为:
将第s个数据点的相邻两个第一数据点的湿度数据的差值绝对值作为第s个数据点的一个第一湿度差值,将第s个数据点的所有第一湿度差值的均值作为第s个数据点的湿度均匀变化量。
5.根据权利要求1所述一种冷链物联网物流温度实时监控方法,其特征在于,所述根据每个数据点的相邻第一数据点的温度数据差值,获取每个数据点的温度变换次数,包括的具体方法为:
若第s个数据点的相邻两个第一数据点的温度数据的差值大于或等于0,则将相邻两个第一数据点的温度数据的差值作为第s个数据点的一个正向温度差值,若相邻两个第一数据点的温度数据的差值小于0,则将相邻两个第一数据点的温度数据的差值作为第s个数据点的一个负向温度差值,所述相邻两个第一数据点的温度数据的差值是指相邻两个第一数据点中第一个第一数据点与第二个第一数据点的温度数据的差值,若第s个数据点的所有正向温度差值数量小于或等于第s个数据点的所有负向温度差值数量,则将第s个数据点的所有正向温度差值数量作为第s个数据点的温度变换次数,若第s个数据点的所有正向温度差值数量大于第s个数据点的所有负向温度差值数量,则将第s个数据点的所有负向温度差值数量作为第s个数据点的温度变换次数。
6.根据权利要求1所述一种冷链物联网物流温度实时监控方法,其特征在于,所述根据每个数据点的相邻第一数据点的湿度数据差值,获取每个数据点的湿度变换次数,包括的具体方法为:
若第s个数据点的相邻两个第一数据点的湿度数据的差值大于或等于0,则将相邻两个第一数据点的湿度数据的差值作为第s个数据点的一个正向湿度差值,若相邻两个第一数据点的湿度数据的差值小于0,则将相邻两个第一数据点的湿度数据的差值作为第s个数据点的一个负向湿度差值,所述相邻两个第一数据点的湿度数据的差值是指相邻两个第一数据点中第一个第一数据点与第二个第一数据点的湿度数据的差值,若第s个数据点的所有正向湿度差值数量小于或等于第s个数据点的所有负向湿度差值数量,则将第s个数据点的所有正向湿度差值数量作为第s个数据点的湿度变换次数,若第s个数据点的所有正向湿度差值数量大于第s个数据点的所有负向湿度差值数量,则将第s个数据点的所有负向湿度差值数量作为第s个数据点的湿度变换次数。
7.根据权利要求1所述一种冷链物联网物流温度实时监控方法,其特征在于,所述根据储藏室的温度和湿度数据序列的每个数据点的初级异常程度、湿度均匀变化量、温度变换次数和湿度变换次数,获取每个数据点的高级异常程度的具体公式为:
式中,Fs表示储藏室的温度和湿度数据序列的第s个数据点的高级异常程度;Cs表示储藏室的温度和湿度数据序列的第s个数据点的初级异常程度;Ts表示储藏室的温度和湿度数据序列的第s个数据点的温度数据;Ts-1表示储藏室的温度和湿度数据序列的第s-1个数据点的温度数据;表示表示储藏室的温度和湿度数据序列的第s个数据点的温度均匀变化量;Ws表示储藏室的温度和湿度数据序列的第s个数据点的湿度数据;Ws-1表示储藏室的温度和湿度数据序列的第s-1个数据点的湿度数据;/>表示表示储藏室的温度和湿度数据序列的第s个数据点的湿度均匀变化量;NTs表示储藏室的温度和湿度数据序列的第s个数据点的温度变换次数;NWss表示储藏室的温度和湿度数据序列的第s个数据点的湿度变换次数;||表示取绝对值。
8.根据权利要求1所述一种冷链物联网物流温度实时监控方法,其特征在于,所述根据每个数据点的高级异常程度,获取每个数据点的对应优化后的数据段长度,包括的具体方法为:
获取第s个数据点的预设数据范围,则储藏室的温度和湿度数据序列的第s个数据点对应优化后的数据段长度的计算方法为:
式中,Ls表示储藏室的温度和湿度数据序列的第s个数据点对应优化后的数据段长度;Ks表示储藏室的温度和湿度数据序列的第s个数据点的预设数据范围的数据点总数量;Fs,i表示储藏室的温度和湿度数据序列的第s个数据点的预设数据范围中第i个数据点的高级异常程度;Ls,0表示储藏室的温度和湿度数据序列的第s个数据点的预设数据范围中所有数据点数量;KWs表示储藏室的温度和湿度数据序列的第s个数据点的预设数据范围中与第s个数据点的湿度数据相同的数据点数量;norm()表示线性归一化函数。
9.根据权利要求8所述一种冷链物联网物流温度实时监控方法,其特征在于,所述获取第s个数据点的预设数据范围,包括的具体方法为:
对于储藏室的温度和湿度数据序列的第s个数据点,将第s个数据点左右各相邻n个数据点组成的数据范围,作为第s个数据点的预设数据范围,n为预设参数。
10.一种冷链物联网物流温度实时监控系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述一种冷链物联网物流温度实时监控方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311651266.8A CN117611031B (zh) | 2023-12-04 | 2023-12-04 | 一种冷链物联网物流温度实时监控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311651266.8A CN117611031B (zh) | 2023-12-04 | 2023-12-04 | 一种冷链物联网物流温度实时监控方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117611031A true CN117611031A (zh) | 2024-02-27 |
CN117611031B CN117611031B (zh) | 2024-05-28 |
Family
ID=89953261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311651266.8A Active CN117611031B (zh) | 2023-12-04 | 2023-12-04 | 一种冷链物联网物流温度实时监控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117611031B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190154474A1 (en) * | 2017-11-23 | 2019-05-23 | Robert Bosch Gmbh | Method, device and computer program for ascertaining an anomaly |
JP2019159394A (ja) * | 2018-03-07 | 2019-09-19 | 株式会社三菱ケミカルホールディングス | 物品輸送管理方法および物品輸送管理システム |
CN113269500A (zh) * | 2021-06-16 | 2021-08-17 | 江苏佳利达国际物流股份有限公司 | 一种基于神经网络的冷链物流监控方法及系统 |
CN114838767A (zh) * | 2022-05-06 | 2022-08-02 | 徐州工程学院 | 一种冷链物流用温湿度智能化监测系统及方法 |
CN116579697A (zh) * | 2023-05-24 | 2023-08-11 | 上海东普信息科技有限公司 | 冷链全链路数据信息管理方法、装置、设备及存储介质 |
CN116643951A (zh) * | 2023-07-24 | 2023-08-25 | 青岛冠成软件有限公司 | 一种冷链物流运输大数据监测采集方法 |
CN116701983A (zh) * | 2023-08-03 | 2023-09-05 | 青岛冠成软件有限公司 | 一种冷链物流实时监测数据处理方法及系统 |
CN116972913A (zh) * | 2023-09-22 | 2023-10-31 | 南通百源制冷设备有限公司 | 一种冷链设备运行状态在线监测方法及系统 |
CN117076934A (zh) * | 2023-10-16 | 2023-11-17 | 罗普特科技集团股份有限公司 | 一种基于物联网的监控数据采集及分析方法 |
-
2023
- 2023-12-04 CN CN202311651266.8A patent/CN117611031B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190154474A1 (en) * | 2017-11-23 | 2019-05-23 | Robert Bosch Gmbh | Method, device and computer program for ascertaining an anomaly |
JP2019159394A (ja) * | 2018-03-07 | 2019-09-19 | 株式会社三菱ケミカルホールディングス | 物品輸送管理方法および物品輸送管理システム |
CN113269500A (zh) * | 2021-06-16 | 2021-08-17 | 江苏佳利达国际物流股份有限公司 | 一种基于神经网络的冷链物流监控方法及系统 |
CN114838767A (zh) * | 2022-05-06 | 2022-08-02 | 徐州工程学院 | 一种冷链物流用温湿度智能化监测系统及方法 |
CN116579697A (zh) * | 2023-05-24 | 2023-08-11 | 上海东普信息科技有限公司 | 冷链全链路数据信息管理方法、装置、设备及存储介质 |
CN116643951A (zh) * | 2023-07-24 | 2023-08-25 | 青岛冠成软件有限公司 | 一种冷链物流运输大数据监测采集方法 |
CN116701983A (zh) * | 2023-08-03 | 2023-09-05 | 青岛冠成软件有限公司 | 一种冷链物流实时监测数据处理方法及系统 |
CN116972913A (zh) * | 2023-09-22 | 2023-10-31 | 南通百源制冷设备有限公司 | 一种冷链设备运行状态在线监测方法及系统 |
CN117076934A (zh) * | 2023-10-16 | 2023-11-17 | 罗普特科技集团股份有限公司 | 一种基于物联网的监控数据采集及分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117611031B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109444813B (zh) | 一种基于bp和dnn双神经网络的rfid室内定位方法 | |
CN115018021B (zh) | 基于图结构与异常注意力机制的机房异常检测方法及装置 | |
CN116431975B (zh) | 一种数据中心的环境监测方法及系统 | |
CN107276999B (zh) | 一种无线传感器网络中的事件检测方法 | |
CN117332341B (zh) | 基于物联网的飞机轮挡数据智能管理方法及系统 | |
CN117196353A (zh) | 基于大数据的环境污染评估与监测方法及系统 | |
CN114564629B (zh) | 异常数据处理方法、装置、计算机设备和存储介质 | |
CN117195007B (zh) | 一种换热器性能预测方法及系统 | |
CN109724703A (zh) | 基于模式识别的复杂场景下的温度矫正方法 | |
CN117574305A (zh) | 一种设备运行状态实时监测方法及系统 | |
CN114755010A (zh) | 一种旋转机械振动故障诊断方法及其系统 | |
CN117611031B (zh) | 一种冷链物联网物流温度实时监控方法及系统 | |
CN116972913B (zh) | 一种冷链设备运行状态在线监测方法及系统 | |
CN117313020A (zh) | 一种承载式张力传感器数据处理方法 | |
CN112784887B (zh) | 一种植物生命状态评价方法及装置 | |
CN110852615A (zh) | 一种典型环境下智能电能表可靠性综合评价模型 | |
CN109117996A (zh) | 构建温室冬季温度预测模型的方法 | |
CN113312587A (zh) | 基于arima预测和回归预测的传感器采集数据缺失值处理方法 | |
CN117870016B (zh) | 基于物联网的供热系统实时监控方法及系统 | |
CN117874445B (zh) | 一种实时在线监测数据分析的酶制剂生产监测方法 | |
CN117574304B (zh) | 基于大数据的瓦楞纸盒生产数据智能分析方法及系统 | |
CN117668684B (zh) | 基于大数据分析的电网电能数据异常检测方法 | |
CN117635030B (zh) | 一种基于云计算的化学品存储管理方法及系统 | |
CN116955737B (zh) | 一种用于明胶生产过程中异常特征检索方法 | |
CN115022348B (zh) | 一种高端电池智能工厂云级架构数据存储方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |