CN111279192B - 确定食品批次中微生物风险水平的方法 - Google Patents

确定食品批次中微生物风险水平的方法 Download PDF

Info

Publication number
CN111279192B
CN111279192B CN201880068717.6A CN201880068717A CN111279192B CN 111279192 B CN111279192 B CN 111279192B CN 201880068717 A CN201880068717 A CN 201880068717A CN 111279192 B CN111279192 B CN 111279192B
Authority
CN
China
Prior art keywords
zero
determining
expansion
parameter
subset
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
Application number
CN201880068717.6A
Other languages
English (en)
Other versions
CN111279192A (zh
Inventor
卢卡·皮西库托
彼得罗·塔伦蒂诺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tetra Laval Holdings and Finance SA
Original Assignee
Tetra Laval Holdings and Finance SA
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tetra Laval Holdings and Finance SA filed Critical Tetra Laval Holdings and Finance SA
Publication of CN111279192A publication Critical patent/CN111279192A/zh
Application granted granted Critical
Publication of CN111279192B publication Critical patent/CN111279192B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/02—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving viable microorganisms
    • C12Q1/04—Determining presence or kind of microorganism; Use of selective media for testing antibiotics or bacteriocides; Compositions containing a chemical indicator therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/93—Detection standards; Calibrating baseline adjustment, drift correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/60—Complex ways of combining multiple protein biomarkers for diagnosis
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32368—Quality control
    • 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)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Organic Chemistry (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Immunology (AREA)
  • Zoology (AREA)
  • Wood Science & Technology (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)

Abstract

一种确定食品中微生物风险水平的方法，所述方法包括确定零膨胀二项式(ZIB)分布参数(π，p)；i)确定缺陷样本的出现次数(0，1，2，x)的累积相对频率(f0，f1，f2，...，fx)；ii)根据π＝[0,1*f0/k,2*f0/k,k*f0/k]计算k+1个元素的零膨胀参数(π)的子集的向量；iii)基于零通胀参数(π)的子集计算第一参数(p)的子集的向量；iv)对于第一参数的子集和零膨胀参数的子集中的向量对(p，π)，确定所述累积相对频率与累积理论概率Px之间的平方误差，累积理论概率Px在ZIB分布的N个样本中具有≤x的出现次数；v)将零通胀参数(π)和第一参数(p)确定为提供最小平方误差的向量对。

Description

确定食品批次中微生物风险水平的方法
技术领域
本发明涉及无菌包装的统计质量控制领域。更具体地，本发明涉及确定食品批次中的微生物风险水平的方法、相关的计算机程序产品以及用于确定微生物风险水平的***。
背景技术
质量监控***用于所有行业领域，以评估和优化生产绩效。在食品包装工业中，填充耐贮存的食品包装的机器的性能称为无菌性能，并且由非商业无菌包装的数量与该机器填充的包装总数之间的长期比率来定义。无菌数据的采样是通过在一段时间内检索微生物采样数据来完成的。例如，当在客户现场安装灌装机时，将进行验证测试，以证明其可以提供符合客户要求的无菌包装质量等级。当灌装机显示能够生产一定数量的包装并将未灭菌包装的百分比保持在一定阈值以下时，则通过验证测试。食品包装检查通常根据抽样计划进行，以便能够识别机器中可能损害包装无菌性的问题。在这方面，期望开发用于质量控制的有效工具和程序，因为采样和检查活动对生产是破坏性的并且成本高昂。由于灌装机提供非常高的质量，因此无菌生产可以认为是高产量的过程，即缺陷率非常低。这也对过程建模提出了特殊要求。因此，以前的质量控制工具存在的问题是在拟合的统计分布中以足够的准确性对无菌质量数据进行建模。因此，问题在于如何以对生产的最小影响实施可靠的质量控制工具和策略。
因此，确定食品批次中微生物风险水平的改进方法将是有利的，并且具体地讲允许避免更多上述问题和折衷，包括提供无菌质量数据的改进的建模，预测和风险评估分析的改进的准确性，以及改进的生产检查工具。
发明内容
因此，本发明的示例优选地通过提供根据所附专利权利要求的装置，单独地或以任何组合的方式，来试图缓减、减轻或消除本领域中的诸如上文所识别的一个或多个缺陷、缺点或问题。
根据第一方面，提供了一种确定多组(s)样本(N)的食品批次中的微生物风险水平的方法。所述方法包括从多组样本中获得微生物采样数据、确定微生物采样数据的零膨胀二项式(ZIB)分布，其包括确定包括第一参数(p)和零膨胀参数(π)的ZIB分布参数(π，p)，其中确定ZIB分布参数包括：i)确定在相应样本组中出现缺陷样本的次数(0、1、2，...，x)的累积相对频率(f0，f1，f2，..，fx)，其中非缺陷样本的累积相对频率确定为f0；ii)根据：π＝[0，1*f0/k，2*f0/k，…，k*f0/k]计算k+1个元素的零膨胀参数的子集的向量(π)；iii)根据以下公式基于所述零膨胀参数的子集的向量(π)计算第一参数的子集的向量(p)：
Figure GDA0003372618150000021
iv)对于第一参数的子集和零膨胀参数的子集中的向量对(p，π)，确定所述累积相对频率与累积理论概率Px之间的平方误差，累积理论概率Px在相应向量对(p，π)作为参数的ZIB分布的N个样本中具有≤x的出现次数；v)将零膨胀参数(π)和第一参数(p)确定为提供最小平方误差的向量对。所述方法包括基于第一参数(p)和零膨胀参数(π)确定ZIB分布；以及针对随后的食品批次的样本检测与ZIB分布的偏差，以基于所述偏差确定微生物风险水平。
根据第二方面，一种计算机程序产品，其包括当所述程序由计算机执行时，使所述计算机执行根据第一方面的方法的步骤的指令。
根据第三方面，提供了一种用于确定多组(s)样本(N)的食品批次中的微生物风险水平的***。所述***包括：采样设备，其被配置为从所述多组样本中获取微生物采样数据；处理器，其被配置为通过被配置为确定ZIB分布参数(π，p)来确定微生物采样数据的零膨胀二项式(ZIB)分布，该ZIB分布参数(π，p)包括第一参数(p)和零膨胀参数(π)。处理器被配置为：i)确定在相应样本组中出现缺陷样本的次数(0、1、2，...，x)的累积相对频率(f0，f1，f2，..，fx)，其中非缺陷样本的累积相对频率确定为f0；ii)根据：π＝[0，1*f0/k，2*f0/k，…，k*f0/k]计算k+1个元素的零膨胀参数的子集的向量(π)；iii)根据以下公式基于所述零膨胀参数的子集的向量(π)计算第一参数的子集的向量(p)：
Figure GDA0003372618150000031
iv)对于第一参数的子集和零膨胀参数的子集中的向量对(p，π)，确定所述累积相对频率与累积理论概率Px之间的平方误差，累积理论概率Px在相应向量对(p，π)作为参数的ZIB分布的N个样本中具有≤x的出现次数；v)将零膨胀参数(π)和第一参数(p)确定为提供最小平方误差的向量对。所述处理器被配置为基于所述第一参数(p)和所述零膨胀参数(π)来确定所述ZIB分布，并且针对随后的食品批次的样本检测与所述ZIB分布的偏差，以基于所述偏差确定微生物风险水平。
在从属权利要求中限定了本发明的其他示例，其中，本公开的第二和第三方面的特征在细节上作必要修改后如同第一方面。
本公开的一些示例提供了无菌质量数据的改进的建模。
本公开的一些示例提供了预测和风险评估分析的改进的准确性。
本公开的一些示例提供了改进的生产检查工具。
本公开的一些示例提供了零膨胀的二项式分布的参数的改进的估计，以更准确地对无菌质量数据进行拟合。
本公开的一些示例提供了对灌装机中的故障元件或功能的方便且较少耗时的识别。
本公开的一些示例提供了对资源的更有效利用以识别机器中的错误行为。
本公开的一些示例提供了机器部件的更可预测和有效的维护计划。
本公开的一些示例提供了评估机器质量的更有效的方法。
应该强调的是，当用于本说明书中时，术语“包括/包括”用于说明存在所述特征、整数、步骤或部件，但是不排除存在或增加一个或多个其他特征、整数、步骤、部件或它们的组。
附图说明
参考附图，本发明的示例能够实现的这些和其他方面、特征和优点将由对本发明示例的以下描述变得显而易见并得到阐明。
图1a是根据本公开的示例的确定食品批次中的微生物风险水平的方法的流程图；
图1b是根据本公开的示例的确定食品批次中的微生物风险水平的方法的流程图；
图2是根据本公开的示例的被配置为用于确定灌装机中的多组(s)样品(N)的食品批次中的微生物风险水平的***的示意图；和
图3a-b是根据本公开的示例的被配置为用于确定灌装机中的多组(s)样品(N)的食品批次中的微生物风险水平的***的示意图。
具体实施方式
现在将参考附图描述本发明的具体示例。然而，本发明可以以许多不同的形式来实施，并且不应被解释为限于在此阐述的示例；相反，提供这些示例使得本公开是充分和完整的，并将本发明的范围充分传达给本领域技术人员。在附图中示出的示例的详细描述中使用的术语并不旨在限制本发明。在附图中，相同的标号表示相同的元件。
图1a示出了确定食品批次中的微生物风险水平的方法100的流程图。描述和示出方法100的步骤的顺序不应被解释为限制性的，并且可以想到，可以以不同顺序执行步骤。因此，提供了一种确定多组(s)样本(N)的食品批次中的微生物风险水平的方法100。每组(s)因此可以包括N个样本。方法100包括从所述多组(s)样本中获得101微生物采样数据，以及确定102微生物采样数据的零膨胀二项式(ZIB)分布，其包括确定103ZIB分布参数(π，p)。所述ZIB分布参数包括第一参数(p)和零膨胀参数(π)。确定ZIB分布参数包括：i)确定104在相应样本组中出现缺陷样本的次数(0、1、2，...，x)的累积相对频率(f0，f1，f2，..，fx)。将无缺陷样品的累积相对频率确定为f0。例如，如果存在各自具有缺陷样本的一次出现的13个组，则相对频率f'1等于13除以组的总数，依此类推，随后通过将相应的相对频率求和:f0＝f'0，f1＝f'0+f'1，...，fx＝f'0+f'1+…+f'x来得出累积相对频率。即，累积相对频率fx可以由各自具有≤x的出现次数的组数(s’)除以组的总数(s)来确定。
方法100包括：ii)根据：π＝[0，1*f0/k，2*f0/k，…，k*f0/k]计算(步骤105)k+1个元素的零膨胀参数的子集的向量(π)，其中k是一个常数，可以根据应用进行优化。方法100包括：iii)根据以下公式基于所述零膨胀参数的子集的向量(π)计算106第一参数的子集的向量(p)：
方法100
Figure GDA0003372618150000051
还包括：iv)对于第一参数的子集和零膨胀参数的子集中的向量对(p，π)，确定107所述累积相对频率(f0，f1，f2，...，fx)与累积理论概率Px之间的平方误差，累积理论概率Px在相应向量对(p，π)作为参数的ZIB分布的N个样本中具有≤x的出现次数。因此，可以如上所述计算第一向量对p 1，π 1。然后，可以确定第一向量对p 1，π 1的累积理论概率Px，作为ZIB分布的输入参数。然后，将确定的Px用作确定与第一向量对p 1，π 1相关的平方误差的基础。方法100包括v)将零膨胀参数(π)和第一个参数(p)确定108为提供最小平方误差的向量对。即，可以计算所有的向量对p，π，并且选择导致具有最低值的平方误差的向量对作为ZIB分布的输入参数。因此，方法100包括：基于第一参数(p)和零膨胀参数(π)确定109ZIB分布，提供最小平方误差，并且进一步，检测110随后的食物批次样本与ZIB分布的偏差，以基于上述偏差确定微生物风险水平。基于累积相对频率与理论概率Px之间的平方误差最小化来确定ZIB分布的第一参数(p)和零膨胀参数(π)可将ZIB分布更准确地拟合到无菌数据，诸如从用于食品容器的高产量灌装机301采样的数据。因此，可以实现无菌数据的改进建模。随时间推移，可以提供更可靠的微生物风险水平评估，因为在灌装机运行期间会收集更多数据并将其与拟合的ZIB分布进行比较，这可以针对灌装机的已知控制状态或校准状态确定。因此，可以避免先前建模方法的问题，例如将数据拟合为标准化的二项式分布时。ZIB分布的改善的准确性允许获得更有效的生产检查工具，并且可以减少评估风险所花费的时间，并且可以增加生产量，同时保持确定质量水平的高置信区间。还可以促进状态监视和对机器行为的了解，这反过来为评估机器质量、识别机器中的错误行为的更有效方法以及更可预测和更有效的维护计划打开了大门。
如所提及的，累积相对频率fx可以由各自具有≤x的出现次数的组的数量(s’)除以组的总数(s)来确定。平方误差(sqe)可以由下式确定：sqe＝(f0–P0)2+…+(fM–PM)2，其中M是一组(s)样本中缺陷的最大出现次数(x)，fx是累积相对频率，Px累积理论概率，其中每个Px是针对具有参数p，π的子集的理论ZIB分布确定的，如上所述。例如，如果M＝2，则sqe＝(f0–P0)2+(f1–P1)2+(f2–P2)2。
累积理论概率Px可以根据以下公式确定：
-P0＝P'0
-P1＝P'0+P'1
-…
-Px＝P'0+P'1+…+P'x
其中：
Figure GDA0003372618150000061
例如，给定第一向量对p 1，π 1作为零膨胀参数(π)和第一参数(p)的候选，并且M＝2，P'x被确定为：
P'0＝π 1+(1-π 1)(1-p 1)N
Figure GDA0003372618150000071
Figure GDA0003372618150000072
因此，可以为ZIB参数的子集的每个向量对p，π确定Px，并且可以将Px用作确定平方误差(sqe)的基础，如上所述。选择导致最小平方误差的向量对作为ZIB分布的输入参数。
图1b示出了确定食品批次中的微生物风险水平的方法100的另一流程图。描述和示出方法100的步骤的顺序不应被解释为限制性的，并且可以想到，可以以不同顺序执行步骤。
针对随后的食品批次的样本检测与ZIB分布的偏差可以包括根据用于获得微生物风险水平的预定统计量确定110'偏差。因此，可以将随后获得的无菌数据与ZIB分布进行比较，以评估ZIB分布是否仍描述该数据或是否存在统计学上的显著偏差。在后一种情况下，无菌数据可指示增加的微生物风险水平。
预定统计量可以包括用于将置信度值确定为微生物风险水平的统计假设量，例如卡方检验(χ2)。也可以使用其他统计检验来评估任何后续无菌数据在多大程度上拟合初始ZIB分布。因此，这种统计检验的置信度值可以指示微生物风险水平。
方法100可以包括根据置信度值的预定阈值来提供111一组警报等级。这样的阈值和警报水平可以进一步被并入质量监测工具中，使得可以在生产线运行时向用户警告无菌数据的不同水平的偏差。
方法100可以包括：确定112多个后续食物批次的各自的置信度值；以及用与该置信度值相关联的相应警报等级来标记113后续食物批次。这提供了便利的质量控制，其中可以通过与根据上述统计检验确定的特定置信度值或警报等级相关联的标注或标签来跟踪释放的批次。
方法100可以包括在预定的固定时间间隔内获得101'后续食物批次的样本的微生物采样数据。因此，收集无菌数据的间隔可以是可以针对特定应用优化的预定时间量的窗口。然而，可以想到的是，时间窗口长度可以根据ZIB分布拟合的结果或随后与ZIB分布的偏差而持续变化。例如，较大的偏差和较低的置信度值可激发更多的间歇控制和更短的采样时间。
提供了一种计算机程序产品，该计算机程序产品包括当计算机执行该程序时，使计算机执行如上所述的关于图1a-b的方法100的步骤的指令。
图2是处理器202的示意图，该处理器被配置为在灌装机301中执行上述图1a-b所述的方法100。因此提供用于确定灌装机301中的多组(s)食品样本(N)批次中的微生物风险水平的***200。***200包括采样设备201，该采样设备201被配置为从多组样品(在图2中示例为组s1和s2，其中通过采样设备201从灌装机301中的相应包装容器中获取样品)中获得101微生物采样数据，以及处理器202，其被配置为通过被配置为确定103包括第一参数(p)和零膨胀参数(π)的ZIB分布参数(π，p)来确定102微生物采样数据的零膨胀二项式(ZIB)分布。处理器202被配置为：i)确定104在相应样本组中出现缺陷样本的次数(0、1、2，...，x)的累积相对频率(f0，f1，f2，..，fx)，其中非缺陷样本的累积相对频率确定为f0；ii)根据：π＝[0，1*f0/k，2*f0/k，…，k*f0/k]计算(步骤105)k+1个元素的零膨胀参数的子集的向量(π)；iii)根据以下公式基于所述零膨胀参数的子集的向量(π)计算106第一参数的子集的向量(p)：
Figure GDA0003372618150000081
处理器202被配置为iv)对于第一参数的子集和零膨胀参数的子集中的向量对(p，π)，确定107所述累积相对频率与累积理论概率Px之间的平方误差，累积理论概率Px在相应向量对(p，π)作为参数的ZIB分布的N个样本中具有≤x的出现次数。处理器202被配置为v)将零膨胀参数(π)和第一参数(p)确定108为提供最小平方误差的向量对。处理器202被配置为基于第一参数(p)和零膨胀参数(π)确定109ZIB分布，并且检测110随后的食物批次样本与ZIB分布的偏差，以基于上述偏差确定微生物风险水平。所述***200因此提供了如上文关于方法100和图1a-1b所述的有利有益效果。
处理器202可被配置为根据以下公式确定累积相对频率fx：fx＝各自具有≤x的出现次数的组的数量(s’)/组的总数(s)。处理器202可以被配置为根据以下公式确定平方误差(sqe)：sqe＝(f0–P0)2+…+(fM–PM)2，其中M是最大出现次数(x)。
处理器202可以被配置为根据以下公式确定累积理论概率Px：
-P0＝P'0
-P1＝P'0+P'1
-…
-PX＝P'0+P'1+…+P'X
其中
Figure GDA0003372618150000091
方法100可以由本文描述的***200实现。在一些实施方案中，方法100由***200使用处理器202和采样设备201来实现。图3a-b是***200的处理器202的进一步图示，其被配置为分别执行如关于图1a-b所述的方法100。
处理器202可被配置为从所述偏差的统计假设量(例如卡方检验)确定110'置信度值，以确定微生物风险水平，并确定111与置信度值的预定阈值相关联的一组警报等级。该***可以包括显示器203，其被配置为在显示器203上以图形或数字表示形式显示警报等级，以向用户警告微生物风险水平。***200还可包括与处理器201通信的控制单元204。控制单元可被配置为与灌装机301通信，以根据所提及的微生物采样数据或警报等级来控制灌装机301。控制单元204可以将控制指令发送到灌装机301，以例如，如果达到与某个置信度阈值相关的警报等级(即，如果微生物风险水平太高)，则停止灌装机301。上面已经参考具体示例描述了本发明。然而，在本发明的范围内，除了上述以外的其他示例同样是可能的。本发明的不同特征和步骤可以以不同于所述的那些组合的其他组合来组合。本发明的范围仅由所附专利权利要求限制。
更一般地，本领域技术人员将容易地理解，本文描述的所有参数、尺寸、材料和构造均是示例性的，并且实际参数、尺寸、材料和/或构造将取决于本发明的教导内容所用于的一个或多个特定应用。

Claims (17)

1.一种确定多组样本的食品批次中微生物风险水平的方法(100)，所述方法包括：
从所述多组样本中获取微生物采样数据(101)，
确定所述微生物采样数据的零膨胀二项式分布(102)，其包括
确定包括第一参数p和零膨胀参数π的零膨胀二项式分布参数(π，p)(103)，其中确定所述零膨胀二项式分布参数包括
i)确定在相应样本组中出现缺陷样本的次数0、1、2，...，x的累积相对频率f0，f1，f2，..，fx(104)，其中非缺陷样本的累积相对频率确定为f0，
ii)根据：π＝[0，1*f0/k，2*f0/k，…，k*f0/k]计算k+1个元素的零膨胀参数的子集中的多个向量π(105)，
iii)根据以下公式基于所述零膨胀参数的子集的向量π计算第一参数的子集中的多个向量p(106)：
Figure FDA0003372618140000011
iv)对于第一参数的子集和零膨胀参数的子集中的多个向量对(p，π)，为每一个向量对确定所述累积相对频率与累积理论概率Px之间的平方误差(107)，累积理论概率Px在相应向量对(p，π)作为参数的零膨胀二项式分布的N个样本中具有≤x的出现次数；
v)将所述零膨胀参数π和所述第一参数p确定为提供最小平方误差的向量对(p，π)(108)，所述方法包括
基于所述第一参数p和所述零膨胀参数π确定所述零膨胀二项式分布(109)，以及
针对后续的食品批次的样本检测与零膨胀二项式分布的偏差(110)，以基于所述偏差确定微生物风险水平。
2.根据权利要求1所述的方法，其中所述累积相对频率fx由下式确定：fx＝各自具有≤x的出现次数的组数量s’/组的总数s。
3.根据权利要求1或2所述的方法，其中所述平方误差sqe由下式确定：sqe＝(f0–P0)2+…+(fM–PM)2，其中M是最大出现次数x。
4.根据权利要求3所述的方法，其中所述累积理论概率Px根据以下公式确定：
-P0＝P'0
-P1＝P'0+P'1
-…
-Px＝P'0+P'1+…+P'x
其中，
Figure FDA0003372618140000021
。
5.根据权利要求1或2所述的方法，其中针对随后的食品批次的样本检测与所述零膨胀二项式分布的偏差包括根据用于获得所述微生物风险水平的预定统计量确定偏差(110')。
6.根据权利要求5所述的方法，其中所述预定统计量包括用于将置信度值确定为微生物风险水平的统计假设量。
7.根据权利要求6所述的方法，其中所述统计假设量是卡方检验。
8.根据权利要求6所述的方法，其包括确定与置信度值的预定阈值相关联的一组警报等级(111)。
9.根据权利要求8所述的方法，其包括确定多个后续的食物批次的相应置信度值(112)，以及用与所述置信度值相关联的相应警报等级来标记后续食物批次(113)。
10.根据权利要求1或2所述的方法，其包括在预定的固定时间间隔内获得所述后续的食物批次的样本的微生物采样数据(101')。
11.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序当由计算机执行时使所述计算机执行根据权利要求1-10中任一项所述的方法的步骤。
12.一种用于确定多组样本的食品批次中的微生物风险水平的***(200)，所述***包括：
采样设备(201)，其被配置为从所述多组样本中获得微生物采样数据(101)，
处理器(202)，其被配置为通过以下配置来确定所述微生物采样数据的零膨胀二项式分布(102)：
确定包括第一参数p和零膨胀参数π的零膨胀二项式分布参数(π，p)(103)，其中所述处理器被配置为：
i)确定在相应样本组中出现缺陷样本的次数0、1、2，...，x的累积相对频率f0，f1，f2，..，fx(104)，其中非缺陷样本的累积相对频率确定为f0，
ii)根据：π＝[0，1*f0/k，2*f0/k，…，k*f0/k]计算k+1个元素的零膨胀参数的子集中的多个向量π(105)，
iii)根据以下公式基于所述零膨胀参数的子集的向量π计算第一参数的子集中的多个向量p(106)：
Figure FDA0003372618140000031
iv)对于第一参数的子集和零膨胀参数的子集中的多个向量对(p，π)，为每一个向量对确定所述累积相对频率与累积理论概率Px之间的平方误差(107)，累积理论概率Px在相应向量对(p，π)作为参数的零膨胀二项式分布的N个样本中具有≤x的出现次数；
v)将所述零膨胀参数π和所述第一参数p确定为提供最小平方误差的向量对(p，π)(108)，所述处理器被配置为：
基于所述第一参数p和所述零膨胀参数π确定所述零膨胀二项式分布(109)，以及
针对随后的食品批次的样本检测与零膨胀二项式分布的偏差(110)，以基于所述偏差确定微生物风险水平。
13.根据权利要求12所述的***，其中所述处理器被配置为根据下式确定所述累积相对频率fx：fx＝各自具有≤x的出现次数的组的数量s’/组的总数s。
14.根据权利要求12或13所述的***，其中所述处理器被配置为根据下式确定所述平方误差sqe：sqe＝(f0–P0)2+…+(fM–PM)2，其中M是最大出现次数x。
15.根据权利要求14所述的***，其中所述处理器被配置为根据以下公式确定所述累积理论概率Px：
-P0＝P'0
-P1＝P'0+P'1
-…
-Px＝P'0+P'1+…+P'x
其中，
Figure FDA0003372618140000051
。
16.根据权利要求12或13所述的***，其中所述处理器被配置为：
由统计假设量确定所述偏差的置信度值(110')，以确定所述微生物风险水平，
确定与置信度值的预定阈值相关联的一组警报等级(111)，所述***包括显示器(203)，所述显示器被配置为在所述显示器上以图形或数字表示形式显示所述警报等级，以向用户警告所述微生物风险水平。
17.根据权利要求16所述的***，其中所述统计假设量为卡方检验。
CN201880068717.6A 2017-11-08 2018-10-23 确定食品批次中微生物风险水平的方法 Active CN111279192B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP17200624 2017-11-08
EP17200624.9 2017-11-08
PCT/EP2018/078979 WO2019091773A1 (en) 2017-11-08 2018-10-23 A method of determining a microbiological risk level in a food batch

Publications (2)

Publication Number Publication Date
CN111279192A CN111279192A (zh) 2020-06-12
CN111279192B true CN111279192B (zh) 2022-04-01

Family

ID=60473277

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880068717.6A Active CN111279192B (zh) 2017-11-08 2018-10-23 确定食品批次中微生物风险水平的方法

Country Status (6)

Country Link
US (1) US11074534B2 (zh)
EP (1) EP3483605B1 (zh)
JP (1) JP7262457B2 (zh)
CN (1) CN111279192B (zh)
BR (1) BR112020007076B1 (zh)
WO (1) WO2019091773A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IT201800020860A1 (it) * 2018-12-21 2020-06-21 Sidel Participations Sas Sistema automatizzato ad elaboratore per il controllo della qualita' asettica in un impianto di trattamento di contenitori e relativo metodo
US11620547B2 (en) 2020-05-19 2023-04-04 Oracle International Corporation Estimating number of distinct values in a data set using machine learning
US11537594B2 (en) * 2021-02-05 2022-12-27 Oracle International Corporation Approximate estimation of number of distinct keys in a multiset using a sample
US11520834B1 (en) 2021-07-28 2022-12-06 Oracle International Corporation Chaining bloom filters to estimate the number of keys with low frequencies in a dataset
CN114291417A (zh) * 2021-12-31 2022-04-08 成都市食品检验研究院 一种微生物及生物毒素追溯***

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5402363A (en) * 1993-02-26 1995-03-28 Cornell Research Foundation, Inc. Method for assessing the risk of bacterial contamination in fluid foodstuffs, beverages and pharmaceuticals
CN102243695A (zh) * 2011-08-05 2011-11-16 北京航空航天大学 零膨胀泊松分布参数的一种稳健估计方法
EP2435826B1 (en) * 2009-05-26 2014-05-21 Universidad De Salamanca Urinary gm2 activator protein as a marker of acute renal failure or the risk of developing acute renal failure
CN104303152A (zh) * 2012-03-22 2015-01-21 洛斯阿拉莫斯国家安全股份有限公司 用于在计算机网络中识别协同群组攻击的异常检测
EP2843415A1 (en) * 2013-08-30 2015-03-04 LURIC Datenbank GbR Methods for cardiovascular risk assessment in diabetes patients
WO2015112848A1 (en) * 2014-01-24 2015-07-30 National Jewish Health Methods for detection of respiratory diseases
CN106204152A (zh) * 2016-07-19 2016-12-07 南京坦道信息科技有限公司 一种基于指数回归和极大似然估计的用户位置偏好提取算法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6795573B2 (en) * 2000-01-27 2004-09-21 Nikon Corporation Inspection method and apparatus
JP2001209797A (ja) * 2000-01-27 2001-08-03 Nikon Corp 検査方法及び検査装置
JP2004008078A (ja) * 2002-06-06 2004-01-15 Fuji Electric Holdings Co Ltd メタン発酵槽内の菌数測定方法及びそれを用いたメタン発酵処理方法
WO2004034208A2 (en) * 2002-10-08 2004-04-22 Food Security Systems, L.L.C. System and method for identifying a food event, tracking the food product, and assessing risks and costs associated with intervention
JP4913386B2 (ja) * 2005-10-25 2012-04-11 株式会社明治 食品品質の自動検査装置および検査方法
JP5191669B2 (ja) * 2006-03-31 2013-05-08 株式会社ポッカコーポレーション クリーム組成物
CN102768711B (zh) 2012-03-13 2015-04-29 山东省射频识别应用工程技术研究中心有限公司 一种肉制品加工过程微生物风险评估方法
JP6223844B2 (ja) * 2014-02-03 2017-11-01 株式会社日立プラントサービス 微生物計測システムおよびその制御方法
CA3016059A1 (en) * 2016-03-04 2017-09-08 The Regents Of The University Of California Microbial consortium and uses thereof
US20190073445A1 (en) * 2017-09-01 2019-03-07 Grail, Inc. Identifying false positive variants using a significance model

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5402363A (en) * 1993-02-26 1995-03-28 Cornell Research Foundation, Inc. Method for assessing the risk of bacterial contamination in fluid foodstuffs, beverages and pharmaceuticals
EP2435826B1 (en) * 2009-05-26 2014-05-21 Universidad De Salamanca Urinary gm2 activator protein as a marker of acute renal failure or the risk of developing acute renal failure
CN102243695A (zh) * 2011-08-05 2011-11-16 北京航空航天大学 零膨胀泊松分布参数的一种稳健估计方法
CN104303152A (zh) * 2012-03-22 2015-01-21 洛斯阿拉莫斯国家安全股份有限公司 用于在计算机网络中识别协同群组攻击的异常检测
EP2843415A1 (en) * 2013-08-30 2015-03-04 LURIC Datenbank GbR Methods for cardiovascular risk assessment in diabetes patients
WO2015112848A1 (en) * 2014-01-24 2015-07-30 National Jewish Health Methods for detection of respiratory diseases
CN106204152A (zh) * 2016-07-19 2016-12-07 南京坦道信息科技有限公司 一种基于指数回归和极大似然估计的用户位置偏好提取算法

Also Published As

Publication number Publication date
US11074534B2 (en) 2021-07-27
WO2019091773A1 (en) 2019-05-16
JP2021502550A (ja) 2021-01-28
CN111279192A (zh) 2020-06-12
BR112020007076B1 (pt) 2021-02-23
BR112020007076A2 (pt) 2020-06-16
US20200380448A1 (en) 2020-12-03
EP3483605B1 (en) 2020-08-19
JP7262457B2 (ja) 2023-04-21
EP3483605A1 (en) 2019-05-15

Similar Documents

Publication Publication Date Title
CN111279192B (zh) 确定食品批次中微生物风险水平的方法
JP6356304B2 (ja) 保守有効性推定に基づく保守推奨システム
CN111508216B (zh) 一种大坝安全监测数据智能预警方法
CN100461044C (zh) 一种丙烯聚合生产中熔融指数检测的故障诊断***及方法
EP3373211A1 (en) Management device and non-transitory computer-readable medium
CN109470946B (zh) 一种发电设备故障检测方法及***
US20190180152A1 (en) Data driven method for automated detection of anomalous work pieces during a production process
CN111104736B (zh) 基于时间序列的异常数据检测方法、装置、介质和设备
CN104867840A (zh) Ye在线检测管控方法
CN111665066A (zh) 基于卷积神经网络的设备故障自适应上下预警界生成方法
EP3926427A1 (en) Work efficiency evaluating method, work efficiency evaluating device, and program
CN117368651B (zh) 一种配电网故障综合分析***及方法
CN113721182B (zh) 一种电力互感器性能在线监测结果可靠度评估方法及***
WO2021076937A1 (en) Die level product modeling without die level input data
JP7187397B2 (ja) 工作機械における診断モデルの再学習要否判定方法及び再学習要否判定装置、再学習要否判定プログラム
CN110907135A (zh) 一种制程设备的控制方法及装置
CN114371677B (zh) 基于谱半径-区间主成分分析的工业过程状态监测方法
US20060074826A1 (en) Methods and apparatus for detecting temporal process variation and for managing and predicting performance of automatic classifiers
TW202328665A (zh) 分析缺陷的方法
US20060074827A1 (en) Methods and apparatus for detecting temporal process variation and for managing and predicting performance of automatic classifiers
CN115858403B (zh) 一种电子***的虚警率预计方法
US20230273607A1 (en) Inspection rate adaptation
CN117670578B (zh) 一种基于信息自动化的颗粒冲剂生产监管方法
CN112114242B (zh) 一种自动化ic测试的在线监测和分析方法
CN110489805B (zh) 一种机载电子信息装备bit虚警率预计的方法

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