CN114912852B - 一种用于冷藏仓储箱的异常监测预警*** - Google Patents
一种用于冷藏仓储箱的异常监测预警*** Download PDFInfo
- Publication number
- CN114912852B CN114912852B CN202210838504.5A CN202210838504A CN114912852B CN 114912852 B CN114912852 B CN 114912852B CN 202210838504 A CN202210838504 A CN 202210838504A CN 114912852 B CN114912852 B CN 114912852B
- Authority
- CN
- China
- Prior art keywords
- data
- point
- column
- element data
- vector
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 74
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 238000005057 refrigeration Methods 0.000 title claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims abstract description 101
- 239000011159 matrix material Substances 0.000 claims abstract description 99
- 238000001514 detection method Methods 0.000 claims abstract description 95
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000005856 abnormality Effects 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 129
- 239000000203 mixture Substances 0.000 claims description 17
- 238000012512 characterization method Methods 0.000 claims description 15
- 238000005520 cutting process Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000000034 method Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005298 paramagnetic effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K1/00—Details of thermometers not specially adapted for particular types of thermometer
- G01K1/02—Means for indicating or recording specially adapted for thermometers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Emergency Management (AREA)
- Devices That Are Associated With Refrigeration Equipment (AREA)
Abstract
本发明涉及数据识别技术领域，具体涉及一种用于冷藏仓储箱的异常监测预警***，包括数据获取模块和数据处理模块，数据获取模块用于获取待监测冷藏仓储箱在规定时段内的温度时序数据，并将温度时序数据发送给数据处理模块，数据处理模块用于接收温度时序数据，并实现如下步骤：根据温度时序数据，确定温度时序数据对应的检测矩阵，进一步得到检测矩阵的各个可疑噪声点，进一步确定各个可疑噪声点为真实噪声点的可能性，进而确定检测矩阵的各疑似异常点，从而判断检测矩阵的各疑似异常点是否为真实异常点，实现冷藏仓储箱异常监测。本发明利用数据识别技术，检测温度时序数据中的真实异常点，提高了冷藏仓储箱异常监测的准确性。
Description
技术领域
本发明涉及数据识别技术领域，具体涉及一种用于冷藏仓储箱的异常监测预警***。
背景技术
冷藏仓储箱一般用于存储货物并利用其进行货物运输。随着社会的发展，仓储箱在仓储物流上应用越来越广，由于人们对生鲜菜品等货物的冷藏要求和时间要求越来越严格，相应的，对其运输用的仓储箱等设备的冷藏效果要求也越来越高。当冷藏仓储箱出现异常状况时，将导致冷藏时间降低，同时对冷藏物品质量造成影响。传统冷藏箱运输管理模式采用人工定时巡检和抄录数据的方式，不仅消耗大量人力、物力，而且难以及时了解冷藏箱实时状态，增加了货物损害的可能性，同时巡检工作量大，人机交叉作业风险和货损风险较高，导致冷藏仓储箱的异常监测并不准确。
发明内容
为了解决上述现有冷藏仓储箱的异常监测不准确的问题，本发明的目的在于提供一种用于冷藏仓储箱的异常监测预警***。
本发明提供了一种用于冷藏仓储箱的异常监测预警***，包括数据获取模块和数据处理模块，数据获取模块用于获取待监测冷藏仓储箱在规定时段内的温度时序数据，并将获取的待监测冷藏仓储箱在规定时段内的温度时序数据发送给数据处理模块，数据处理模块用于接收数据获取模块发送的待监测冷藏仓储箱在规定时段内的温度时序数据，并实现如下步骤：
根据待监测冷藏仓储箱在规定时段内的温度时序数据，确定规定时段内的温度时序数据对应的检测矩阵；
根据检测矩阵的每个行向量中的各个行元素数据，确定每个行向量中的各个行元素数据对应的稳定性指标，进而得到检测矩阵的各个可疑噪声点；
根据检测矩阵的每个列向量中的各个列元素数据，确定每个列向量中的各个列元素数据对应的整体相关性指标，进而确定检测矩阵的各个可疑噪声点对应的整体相关性指标；
获取各个可疑噪声点所在列向量中可疑噪声点的数量，根据各个可疑噪声点所在列向量中可疑噪声点的数量以及各个可疑噪声点对应的整体相关性指标，确定各个可疑噪声点为真实噪声点的可能性，进而确定检测矩阵的各疑似异常点；
根据检测矩阵的各疑似异常点和预设正常温度数据，判断检测矩阵的各疑似异常点是否为真实异常点，若某个疑似异常点为真实异常点，则进行预警。
进一步的，确定每个列向量中的各个列元素数据对应的整体相关性指标的步骤包括：
根据检测矩阵的每个列向量中的各个列元素数据，确定各个列元素数据对应的数据点集合；
根据各个列元素数据对应的数据点集合，确定数据点集合的高斯混合模型，进而确定高斯混合模型的三个模型参数，所述三个模型参数分别为：单高斯函数个数、均值参数以及方差参数；
根据数据点集合的高斯混合模型的三个模型参数，确定各个列元素数据对应的元素表征向量；
根据各个列元素数据及其对应的元素表征向量，确定每个列向量中的各个列元素数据对应的整体相关性指标。
进一步的，确定各个列元素数据对应的数据点集合的步骤包括：
以检测矩阵的每个列向量中的各个列元素数据为中心，选取所述中心上下方向的多个数据点，由中心和中心对应的多个数据点组成数据点集合，从而得到各个列元素数据对应的数据点集合。
进一步的，确定每个列向量中的各个列元素数据对应的整体相关性指标的计算公式为：
其中，
为每个列向量中的第j个列元素数据对应的整体相关性指标，
为每个列向量中的第j个列元素数据对应的元素表征向量与每个列向量中的第i个列元素数据对应的元素表征向量之间的余弦相似度，
为每个列向量中的第j个列元素数据与第i个列元素数据之间的空间距离，Q为每个列向量中的列元素数据的个数。
进一步的，确定规定时段内的温度时序数据对应的检测矩阵的步骤包括：
根据待监测冷藏仓储箱在规定时段内的温度时序数据的数据量，确定规定时段内温度时序数据的数据切割长度；
根据待监测冷藏仓储箱在规定时段内的温度时序数据以及数据切割长度，确定各个子温度时序数据，将子温度时序数据作为列向量，构建规定时段内的温度时序数据对应的检测矩阵。
进一步的，确定每个行向量中的各个行元素数据对应的稳定性指标的计算公式为：
其中，
为每个行向量中的第j个行元素数据对应的稳定性指标，
为每个行向量中的第j个行元素数据，
为每个行向量中的第
-1个行元素数据，
为每个行向量中的第
+1个行元素数据，
为超参数，h为每个行向量中行元素数据的数量，
为求最小值函数。
进一步的，进而得到检测矩阵的各个可疑噪声点的步骤包括：
若检测矩阵的任意一个行元素数据对应的稳定性指标小于稳定性阈值，则判定该行元素数据为可疑噪声点，否则，判定该行元素数据为正常温度数据。
进一步的，确定各个可疑噪声点为真实噪声点的可能性的计算公式为：
其中，w为各个可疑噪声点为真实噪声点的可能性，r为各个可疑噪声点对应的整体相关性指标，M为各个可疑噪声点对应的列元素数据集合中可疑噪声点的数量。
进一步的，进而确定检测矩阵的各疑似异常点的步骤包括：
若检测矩阵的任意一个可疑噪声点为真实噪声点的可能性大于预设可能性阈值，则判定该可疑噪声点不为疑似异常点，否则，判定该可疑噪声点为疑似异常点。
进一步的，判断检测矩阵的各疑似异常点是否为真实异常点的步骤包括：
根据检测矩阵的各疑似异常点和预设正常温度数据，计算各疑似异常点与预设正常温度数据的差值；
根据各疑似异常点与预设正常温度数据的差值，判断检测矩阵的各疑似异常点是否为真实异常点，当任意一个疑似异常点与预设正常温度数据的差值大于温度差异阈值时，判定该疑似异常点为真实异常点，否则，判定该疑似异常点不为真实异常点。
本发明具有如下有益效果：
本发明通过获取待监测冷藏仓储箱在规定时段内的温度时序数据，利用数据识别技术，确定规定时段内的温度时序数据对应的检测矩阵。检测矩阵的各个列向量能够体现冷藏仓储箱温度数据的局部信息，提取各个列向量对应的局部特征信息，便于分析连续时序对应的温度数据变化特征，而检测矩阵的各个行向量可表征等间隔采样获取的温度数据，提取各个行向量对应的局部特征信息，便于对冷藏储藏箱的整体温度变化发展趋势进行分析，确定检测矩阵可实现精确监测冷藏仓储箱的异常状况；根据检测矩阵的每个行向量中的各个行元素数据，确定每个行向量中的各个行元素数据对应的稳定性指标，根据各个行元素数据对应的稳定性指标、冷藏仓储箱异常数据和噪声数据的特性，得到检测矩阵中的各个可疑噪声数据。通过稳定性指标对规定时段内的温度时序数据进行分析，从而区分出温度时序数据中的正常温度数据和可疑噪声数据，初次筛选能够有效提高冷藏仓储箱的监测准确性；根据检测矩阵的每个列向量中的各个列元素数据和检测矩阵中的各个可疑噪声点，确定各个可疑噪声点对应的整体相关性指标，进而确定各个可疑噪声点中的疑似异常点，从而判断检测矩阵的各疑似异常点是否为真实异常点。通过分析，识别出规定时段内的温度时序数据中的真实异常点，***将及时做出预警，提示相关检测人员冷藏仓储箱出现冷藏异常状况，及时对该冷藏仓储箱进行相应的检修，避免因异常状况过于严重导致冷藏物品出现质量问题。
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和优点，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的介绍，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它附图。
图1为本发明一种用于冷藏仓储箱的异常监测预警***的结构示意图；
图2为本发明实施例中异常监测预警***中的数据处理模块实现步骤的流程图。
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技术方案的具体实施方式、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”指的不一定是同一个实施例。此外，一个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。
本实施例提供了一种用于冷藏仓储箱的异常监测预警***，该***的结构示意图如图1所示，包括数据获取模块和数据处理模块，数据获取模块用于实时获取待监测冷藏仓储箱在规定时段内的温度时序数据，并将获取的待监测冷藏仓储箱在规定时段内的温度时序数据发送给数据处理模块。
在本实施例中，主要基于待监测冷藏仓储箱的温度时序数据对待监测冷藏仓储箱的状况进行监测分析。通过温度传感器实时采集待监测冷藏仓储箱在规定时段内的温度时序数据，温度时序数据记为T，温度时序数据T为待监测冷藏仓储箱在不同时刻时对应的温度数据，这里的规定时段设置为1分钟，其采集频率为1ms/次，每间隔1毫秒采集一次温度时序数据，温度时序数据采集过程中的规定时段和采集频率可由实施者根据实际情况自行设定。上述温度传感器的类别有很多，实施者可根据实际情况自行选取，常见的温度传感器有双金属温度计、玻璃液体温度计、温差电偶等。
需要说明的是，随着低温技术在国防工程、空间技术、冶金、电子、食品、医药和石油化工部门的广泛应用和研究，测量120K以下温度的低温温度计得到了发展，如低温气体温度计、蒸汽压温度计、声学温度计、顺磁盐温度计、量子温度计、低温热电阻和低温温差电偶等，可用于测量1.6～300K范围内的低温温度。
数据处理模块用于接收数据获取模块发送的待监测冷藏仓储箱在规定时段内的温度时序数据，异常监测预警***中的数据处理模块实现步骤的流程图如图2所示，并实现如下步骤：
（1）根据待监测冷藏仓储箱在规定时段内的温度时序数据，确定规定时段内的温度时序数据对应的检测矩阵。
首先，需要说明的是，为了便于后续对温度时序数据的局部变化和长期发展趋势进行分析，本实施例将构建规定时段内的温度时序数据对应的检测矩阵，其步骤包括：
（1-1）根据待监测冷藏仓储箱在规定时段内的温度时序数据的数据量，确定规定时段内温度时序数据的数据切割长度。
在本实施例中，统计待监测冷藏仓储箱在规定时段内的温度时序数据的数据量，将温度时序数据的数据量记为L，通过规定时段内的温度时序数据的数据量，确定规定时段内温度时序数据的数据切割长度，也就是在数据切割长度不大于温度时序数据的数据量的基础上，将规定时段内的温度时序数据分割成固定数据长度的各个子温度时序数据，当然，实施者可自行设定数据切割长度。例如，规定时间段内采集的温度时序数据的数据量L为12，
，那么数据切割长度可以为1、2、3、4、6、12，将数据切割长度记为Q。
（1-2）根据待监测冷藏仓储箱在规定时段内的温度时序数据以及数据切割长度，确定各个子温度时序数据，将子温度时序数据作为列向量，构建规定时段内的温度时序数据对应的检测矩阵。
在本实施例中，通过待监测冷藏仓储箱在规定时段内的温度时序数据以及数据切割长度，确定各个子温度时序数据，例如，当规定时段内的温度时序数据的数据量L为12，
，数据切割长度Q为4时，确定各个子温度时序数据，各个子温度时序数据分别为
、
和
。将子温度时序数据作为检测矩阵的列向量，根据检测矩阵的各个列向量，构建规定时段内的温度时序数据对应的检测矩阵，检测矩阵具体为：
其中，X为规定时段内的温度时序数据对应的检测矩阵，L为规定时段内的温度时序数据的数据量，也就是规定时段内的温度时序数据的序列长度，Q为规定时段内温度时序数据的数据切割长度，后续可在长度为Q的子温度时序数据中分析温度数据的局部特征。
需要说明的是，检测矩阵中的各个列向量能够体现待检测冷藏仓储箱温度时序数据的局部信息，同时也便于分析连续时序的温度数据的变化状况；检测矩阵中的各个行向量可表征等间隔的温度时序数据，能够对待监测冷藏仓储箱温度时序数据的整体发展趋势进行分析，便于从整体去检测温度时序数据状况；通过对规定时段内的温度时序数据对应的检测矩阵的分析，可实现对待检测冷藏仓储箱的异常状况进行精确检测。
（2）根据检测矩阵的每个行向量中的各个行元素数据，确定每个行向量中的各个行元素数据对应的稳定性指标，进而得到检测矩阵的各个可疑噪声点。
首先，需要说明的是，一般情况下数据采集过程中的噪声点多表现为孤立的点，而异常点相对于噪声点来讲更多是时间上的累积，也就是出现在温度时序数据中的异常点具有时序连续性的特征，而检测矩阵的各个列向量能够体现连续时序的温度数据的变化状况。因此，通过对检测矩阵的每个行向量中的各个行元素数据进行分析，可得到检测矩阵的各个可疑噪声点，其步骤包括：
（2-1）根据检测矩阵的每个行向量中的各个行元素数据，确定每个行向量中的各个行元素数据对应的稳定性指标。
在本实施例中，检测矩阵的每个行向量为
,
,
,
，G为检测矩阵中行向量的个数，
为检测矩阵的第1个行向量，
，
为检测矩阵中第1个行向量的第1个行元素数据。通过对检测矩阵的每个行向量中的各个行元素数据进行分析，可以得到各个行元素数据对应的稳定性指标，其计算公式为：
其中，
为每个行向量中的第j个行元素数据对应的稳定性指标，
为每个行向量中的第j个行元素数据，
为每个行向量中的第
-1个行元素数据，
为每个行向量中的第
+1个行元素数据，
为超参数，h为每个行向量中行元素数据的数量，每个行向量中行元素数据的数量是相等的，
为求最小值函数。
需要说明的是，对于每个行向量中的第一个行元素数据和最后一个行元素数据的稳定指标来讲，由于在每个行向量中的第一个行元素数据之前没有其他的行元素数据，那么每个行向量中的第一个行元素数据对应的稳定性指标可以通过第一个行元素数据与第二个行元素数据计算得到，也就是当
时，
，
；由于在每个行向量中的最后一个行元素数据之后没有其他的行元素数据，那么每个行向量中的最后一个行元素数据对应的稳定性指标可以通过最后一个行元素数据及其前一个行元素数据计算得到，也就是
。至此，本实施例得到了每个行向量中的各个行元素数据对应的稳定性指标，对各个行元素数据对应的稳定性指标进行归一化处理，确保各个行元素数据对应的稳定性指标大小均处于(0,1)。
（2-2）根据每个行向量中的各个行元素数据对应的稳定性指标，得到检测矩阵的各个可疑噪声点。
若检测矩阵的任意一个行元素数据对应的稳定性指标小于稳定性阈值，则判定该行元素数据为可疑噪声点，否则，判定该行元素数据为正常温度数据。
本实施例将基于稳定性指标对检测矩阵的各个元素进行分析，设定稳定性阈值，记为
，当检测矩阵的任意一个行元素数据对应的稳定性指标低于稳定性阈值
时，说明该行元素数据为噪声点数据或异常点数据的可能性较大，将该行元素数据记为可疑噪声点，可疑噪声点是指该处的温度数据是非正常温度数据，其与相邻的温度数据存在较大差异，也就是可疑噪声点的稳定性指标较差；相反，则说明该行元素数据为噪声点数据或异常点数据的可能性较小，将该行元素数据记为正常温度数据。
（3）根据检测矩阵的每个列向量中的各个列元素数据，确定每个列向量中的各个列元素数据对应的整体相关性指标，进而确定检测矩阵的各个可疑噪声点对应的整体相关性指标。
（3-1）根据检测矩阵的每个列向量中的各个列元素数据，确定每个列向量中的各个列元素数据对应的整体相关性指标，其步骤包括：
（3-1-1）根据检测矩阵的每个列向量中的各个列元素数据，确定各个列元素数据对应的数据点集合。
以检测矩阵的每个列向量中的各个列元素数据为中心，选取所述中心上下方向的多个数据点，由中心和中心对应的多个数据点组成数据点集合，从而得到各个列元素数据对应的数据点集合。
在本实施例中，检测矩阵的每个列向量为
，
，
，
，
为检测矩阵的第1个列向量，F为检测矩阵中列向量的个数，
，
为检测矩阵的第1个列向量中的第1个列元素数据。本实施例将对检测矩阵的每个列向量中的各个列元素数据进行分析，首先基于检测矩阵的每个列向量中的各个列元素数据，确定各个列元素数据对应的数据点集合。
以确定任意一个列向量中的第j个列元素数据对应的数据点集合为例，将第j个列元素数据为中心点，采用尺寸为
的窗口选取第j个列元素数据上方和下方的各n个数据点，这里的数据点是指列向量中的列元素数据，由该
个数据点组成第j个列元素数据对应的数据点集合，数据点集合可用于后续分析第j个列元素数据的局部特征。
需要说明的是，若
，可以只选取第j个列元素数据下方的多个数据点，将暂时不考虑第j个列元素数据上方的数据点情况，若j为列向量中最后一个列元素数据，可以只选取第j个列元素数据上方的多个数据点，将暂时不考虑第j个列元素数据下方的数据点情况，选取数据点的个数n的数值大小可由实施者根据实际情设定。参考任意一个列向量中的第j个列元素数据对应的数据点集合的确定步骤，得到各个列元素数据对应的数据点集合。
（3-1-2）根据各个列元素数据对应的数据点集合，确定数据点集合的高斯混合模型，进而确定高斯混合模型的三个模型参数，所述三个模型参数分别为：单高斯函数个数、均值参数以及方差参数。
在本实施例中，通过各个列元素数据对应的数据点集合，构建各个列元素数据对应的高斯混合模型，将第j个列元素数据对应的高斯混合模型记为
。根据各个列元素数据对应的高斯混合模型，可以得到各个列元素数据对应的高斯混合模型的三个模型参数，三个模型参数分别为高斯混合模型中单高斯函数的个数k、高斯混合模型中的均值参数
以及方差参数
。需要说明的是，高斯混合模型的构建过程以及模型参数的计算过程均为现有技术，不在本发明保护范围内，此处不再进行详细阐述。
（3-1-3）根据数据点集合的高斯混合模型的三个模型参数，确定各个列元素数据对应的元素表征向量。
本实施例将基于列元素数据对应的数据点集合的高斯混合模型的三个模型参数，构建列元素数据对应的元素表征向量，
，其中
为第j个列元素数据对应的元素表征向量，
为第j个列元素数据对应的单高斯函数个数，
为第j个列元素数据对应的均值参数，
为第j个列元素数据对应的方差参数，元素表征向量可用于检测分析列元素数据的局部数据变化分布状况。
（3-1-4）根据各个列元素数据及其对应的元素表征向量，确定每个列向量中的各个列元素数据对应的整体相关性指标。
在本实施例中，以确定每个列向量中的第j个列元素数据对应的整体相关性指标为例，根据第j个列元素数据其对应的元素表征向量，计算每个列向量中的第j个列元素数据对应的整体相关性指标，其计算公式为：
其中，
为每个列向量中的第j个列元素数据对应的整体相关性指标，
为每个列向量中的第j个列元素数据对应的元素表征向量与每个列向量中的第i个列元素数据对应的元素表征向量之间的余弦相似度，
为每个列向量中的第j个列元素数据与第i个列元素数据之间的空间距离，Q为每个列向量中的列元素数据的个数。
需要说明的是，本实施例利用欧式距离来计算各个列元素数据之间的空间距离，利用欧式距离计算列元素数据之间的空间距离的过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。参考每个列向量中的第j个列元素数据对应的整体相关性指标的确定步骤，得到每个列向量中的各个列元素数据对应的整体相关性指标。至此，本实施例得到了每个列向量中的各个列元素数据对应的整体相关性指标。
（3-2）根据每个列向量中的各个列元素数据对应的整体相关性指标以及检测矩阵的各个可疑噪声点的位置，确定检测矩阵的各个可疑噪声点对应的整体相关性指标。
在本实施例中，通过步骤（2-2）得到检测矩阵的各个可疑噪声点的位置，根据检测矩阵的各个可疑噪声点的位置，确定各个列元素数据中的各个可疑噪声点，根据步骤（3-1-4）的每个列向量中的各个列元素数据对应的整体相关性指标，得到各个列元素数据中的各个可疑噪声点对应的整体相关性指标。
需要说明的是，整体相关性指标用于判定检测矩阵中的噪声点数据，可疑噪声点对应的整体相关性指标越高，该可疑噪声点为真实噪声点的可能性越小。
（4）根据各个可疑噪声点所在列向量中可疑噪声点的数量以及各个可疑噪声点对应的整体相关性指标，确定各个可疑噪声点为真实噪声点的可能性，进而确定检测矩阵的各疑似异常点。
首先，需要说明的是，本实施例为了提高冷藏仓储箱的异常监测的准确性，避免真实噪声点数据对异常点数据的影响，准确识别出检测矩阵中的各疑似异常点数据，精细准确判定检测矩阵中的各疑似异常点数据，其步骤包括：
（4-1）获取各个可疑噪声点所在列向量中可疑噪声点的数量，根据各个可疑噪声点所在列向量中可疑噪声点的数量以及各个可疑噪声点对应的整体相关性指标，确定各个可疑噪声点为真实噪声点的可能性。
在本实施例中，统计各个可疑噪声点所在列向量中可疑噪声点的数量，根据各个可疑噪声点所在列向量中可疑噪声点的数量和各个可疑噪声点对应的整体相关性指标，构建可疑噪点精细判定模型，利用该可疑噪点精细判定模型确定各个可疑噪声点为真实噪声点的可能性，其计算公式为：
其中，w为各个可疑噪声点为真实噪声点的可能性，r为各个可疑噪声点对应的整体相关性指标，M为各个可疑噪声点所在列向量中可疑噪声点的数量。
至此，本实施例得到各个可疑噪声点为真实噪声点的可能性，对各个可疑噪声点为真实噪声点的可能性进行归一化处理，确保为真实噪声点的可能性数值处于[0,1]。可疑噪声点所在列向量中可疑噪声点的数量越多，可疑噪声点对应的整体相关性指标越大，可疑噪声点为真实噪声点的可能性越小，该可疑噪声点越有可能为疑似异常点。
（4-2）根据各个可疑噪声点为真实噪声点的可能性，确定检测矩阵的各疑似异常点。
在本实施例中，若检测矩阵的任意一个可疑噪声点为真实噪声点的可能性大于预设可能性阈值，预设可能性阈值设置为0.75，则判定该可疑噪声点不为疑似异常点，否则，判定该可疑噪声点为疑似异常点，疑似异常点是该处的温度数据异常很有可能是受冷藏仓储箱异常状况的影响所导致的。至此，本实施例可实现准确提取识别检测矩阵中的疑似异常点，提高了监测***对冷藏仓储箱异常监测的精度。
（5）根据检测矩阵的各疑似异常点和预设正常温度数据，判断检测矩阵的各疑似异常点是否为真实异常点，若某个疑似异常点为真实异常点，则进行预警，其步骤包括：
（5-1）根据检测矩阵的各疑似异常点和预设正常温度数据，计算各疑似异常点与预设正常温度数据的差值。
在本实施例中，将各疑似异常点对应的温度数据减去预设正常温度数据，预设正常温度数据是指冷藏仓储箱在不发生意外情况下的温度时序数据，从而得到各疑似异常点对应的温度数据对应的差值，各疑似异常点均有其对应的差值，将第i个疑似异常点对应的差值记为
，预设正常温度数据记为
。
（5-2）根据各疑似异常点与预设正常温度数据的差值，判断检测矩阵的各疑似异常点是否为真实异常点，当任意一个疑似异常点与预设正常温度数据的差值大于温度差异阈值时，判定该疑似异常点为真实异常点，否则，判定该疑似异常点不为真实异常点。
在本实施例中，当任意一个疑似异常点与预设正常温度数据的差值大于温度差异阈值时，温度差异阈值设定为10，
，本实施例认为该疑似异常点为真实异常点，也就是说明待监测冷藏仓储箱出现异常状况，异常监测预警***将及时做出预警，提示相关检测人员待监测冷藏仓储箱出现冷藏异常状况，及时对该待监测冷藏仓储箱进行相应的检查修理，以避免异常状况严重导致冷藏物品出现质量问题。本实施例将实时采集数据信息，监测冷藏仓储箱是否会出现异常状态，直至待监测冷藏仓储箱停止冷藏物品的工作。
本发明通过一种用于冷藏仓储箱的异常监测预警***来监测冷藏仓储箱的异常状况，若存在异常状况能够及时给出预警提示，其有效提高了冷藏仓储箱的异常监测的准确性。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (9)
1.一种用于冷藏仓储箱的异常监测预警***，其特征在于，包括数据获取模块和数据处理模块，数据获取模块用于获取待监测冷藏仓储箱在规定时段内的温度时序数据，并将获取的待监测冷藏仓储箱在规定时段内的温度时序数据发送给数据处理模块，数据处理模块用于接收数据获取模块发送的待监测冷藏仓储箱在规定时段内的温度时序数据，并实现如下步骤：
根据待监测冷藏仓储箱在规定时段内的温度时序数据的数据量，确定规定时段内温度时序数据的数据切割长度；
根据待监测冷藏仓储箱在规定时段内的温度时序数据以及数据切割长度，确定各个子温度时序数据，将子温度时序数据作为列向量，构建规定时段内的温度时序数据对应的检测矩阵；
根据检测矩阵的每个行向量中的各个行元素数据，确定每个行向量中的各个行元素数据对应的稳定性指标，进而得到检测矩阵的各个可疑噪声点；
根据检测矩阵的每个列向量中的各个列元素数据，确定每个列向量中的各个列元素数据对应的整体相关性指标，进而确定检测矩阵的各个可疑噪声点对应的整体相关性指标；
获取各个可疑噪声点所在列向量中可疑噪声点的数量，根据各个可疑噪声点所在列向量中可疑噪声点的数量以及各个可疑噪声点对应的整体相关性指标，确定各个可疑噪声点为真实噪声点的可能性，进而确定检测矩阵的各疑似异常点；
根据检测矩阵的各疑似异常点和预设正常温度数据，判断检测矩阵的各疑似异常点是否为真实异常点，若某个疑似异常点为真实异常点，则进行预警。
2.根据权利要求1所述的一种用于冷藏仓储箱的异常监测预警***，其特征在于，确定每个列向量中的各个列元素数据对应的整体相关性指标的步骤包括：
根据检测矩阵的每个列向量中的各个列元素数据，确定各个列元素数据对应的数据点集合；
根据各个列元素数据对应的数据点集合，确定数据点集合的高斯混合模型，进而确定高斯混合模型的三个模型参数，所述三个模型参数分别为：单高斯函数个数、均值参数以及方差参数；
根据数据点集合的高斯混合模型的三个模型参数，确定各个列元素数据对应的元素表征向量；
根据各个列元素数据及其对应的元素表征向量，确定每个列向量中的各个列元素数据对应的整体相关性指标。
3.根据权利要求2所述的一种用于冷藏仓储箱的异常监测预警***，其特征在于，确定各个列元素数据对应的数据点集合的步骤包括：
以检测矩阵的每个列向量中的各个列元素数据为中心，选取所述中心上下方向的多个数据点，由中心和中心对应的多个数据点组成数据点集合，从而得到各个列元素数据对应的数据点集合。
4.根据权利要求2所述的一种用于冷藏仓储箱的异常监测预警***，其特征在于，确定每个列向量中的各个列元素数据对应的整体相关性指标的计算公式为：
其中，
为每个列向量中的第j个列元素数据对应的整体相关性指标，
为每个列向量中的第j个列元素数据对应的元素表征向量与每个列向量中的第i个列元素数据对应的元素表征向量之间的余弦相似度，
为每个列向量中的第j个列元素数据与第i个列元素数据之间的空间距离，Q为每个列向量中的列元素数据的个数。
5.根据权利要求1所述的一种用于冷藏仓储箱的异常监测预警***，其特征在于，确定每个行向量中的各个行元素数据对应的稳定性指标的计算公式为：
其中，
为每个行向量中的第j个行元素数据对应的稳定性指标，
为每个行向量中的第j个行元素数据，
为每个行向量中的第
-1个行元素数据，
为每个行向量中的第
+1个行元素数据，
为超参数，h为每个行向量中行元素数据的数量，
为求最小值函数。
6.根据权利要求1所述的一种用于冷藏仓储箱的异常监测预警***，其特征在于，进而得到检测矩阵的各个可疑噪声点的步骤包括：
若检测矩阵的任意一个行元素数据对应的稳定性指标小于稳定性阈值，则判定该行元素数据为可疑噪声点，否则，判定该行元素数据为正常温度数据。
7.根据权利要求1所述的一种用于冷藏仓储箱的异常监测预警***，其特征在于，确定各个可疑噪声点为真实噪声点的可能性的计算公式为：
其中，w为各个可疑噪声点为真实噪声点的可能性，r为各个可疑噪声点对应的整体相关性指标，M为各个可疑噪声点对应的列元素数据集合中可疑噪声点的数量。
8.根据权利要求1所述的一种用于冷藏仓储箱的异常监测预警***，其特征在于，进而确定检测矩阵的各疑似异常点的步骤包括：
若检测矩阵的任意一个可疑噪声点为真实噪声点的可能性大于预设可能性阈值，则判定该可疑噪声点不为疑似异常点，否则，判定该可疑噪声点为疑似异常点。
9.根据权利要求1所述的一种用于冷藏仓储箱的异常监测预警***，其特征在于，判断检测矩阵的各疑似异常点是否为真实异常点的步骤包括：
根据检测矩阵的各疑似异常点和预设正常温度数据，计算各疑似异常点与预设正常温度数据的差值；
根据各疑似异常点与预设正常温度数据的差值，判断检测矩阵的各疑似异常点是否为真实异常点，当任意一个疑似异常点与预设正常温度数据的差值大于温度差异阈值时，判定该疑似异常点为真实异常点，否则，判定该疑似异常点不为真实异常点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210838504.5A CN114912852B (zh) | 2022-07-18 | 2022-07-18 | 一种用于冷藏仓储箱的异常监测预警*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210838504.5A CN114912852B (zh) | 2022-07-18 | 2022-07-18 | 一种用于冷藏仓储箱的异常监测预警*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114912852A CN114912852A (zh) | 2022-08-16 |
| CN114912852B true CN114912852B (zh) | 2022-09-23 |
Family
ID=82772083
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210838504.5A Active CN114912852B (zh) | 2022-07-18 | 2022-07-18 | 一种用于冷藏仓储箱的异常监测预警*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114912852B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116307361B (zh) * | 2023-01-30 | 2023-12-22 | 连云港陈晔水产科技有限公司 | 一种水产养殖环境因子快速调控方法 |
| CN116295539B (zh) * | 2023-05-18 | 2023-08-11 | 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) | 基于城市地下空间勘探数据的地下空间监测方法 |
| CN116643951B (zh) * | 2023-07-24 | 2023-10-10 | 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 |
| CN116701848B (zh) * | 2023-08-09 | 2023-12-08 | 江苏盖亚环境科技股份有限公司 | 一种一体化装备连续探测数据处理*** |
| CN116823125B (zh) * | 2023-08-31 | 2023-10-31 | 酒仙网络科技股份有限公司 | 基于多源数据的白酒仓储异常预警*** |
| CN117113107B (zh) * | 2023-10-24 | 2023-12-29 | 广东顺德爱顺机电科技有限公司 | 一种转子压铸异常误差数据处理方法 |
| CN117474427B (zh) * | 2023-12-27 | 2024-03-26 | 大连金马衡器有限公司 | 基于物联网技术的智能托盘冷链溯源方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104794484A (zh) * | 2015-04-07 | 2015-07-22 | 浙江大学 | 基于分段正交多项式分解的时序数据最近邻分类方法 |
| CN110399910A (zh) * | 2019-07-08 | 2019-11-01 | 东华大学 | 基于滑动窗口和hwks理论框架的火灾异常点在线检测方法 |
| CN113139610A (zh) * | 2021-04-29 | 2021-07-20 | 国网河北省电力有限公司电力科学研究院 | 一种针对变压器监测数据的异常检测方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR3083553B1 (fr) * | 2018-07-09 | 2023-05-19 | Suez Groupe | Placement ameliore de capteurs de parametres physico-chimiques dans un fluide |
-
2022
- 2022-07-18 CN CN202210838504.5A patent/CN114912852B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104794484A (zh) * | 2015-04-07 | 2015-07-22 | 浙江大学 | 基于分段正交多项式分解的时序数据最近邻分类方法 |
| CN110399910A (zh) * | 2019-07-08 | 2019-11-01 | 东华大学 | 基于滑动窗口和hwks理论框架的火灾异常点在线检测方法 |
| CN113139610A (zh) * | 2021-04-29 | 2021-07-20 | 国网河北省电力有限公司电力科学研究院 | 一种针对变压器监测数据的异常检测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 钢铁企业高炉煤气发生量异常数据检测;王红君等;《化工自动化及仪表》;20160610(第06期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114912852A (zh) | 2022-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114912852B (zh) | 一种用于冷藏仓储箱的异常监测预警*** | |
| CN116659589B (zh) | 基于数据分析的阿胶糕保存环境监测方法 | |
| EP3039360B1 (en) | A computer-implemented method of monitoring the operation of a cargo shipping reefer container | |
| EP0843244B1 (en) | Diagnostic trend analysis for aircraft engines | |
| CN112978128B (zh) | 基于大数据和图像分析技术的冷链物流运输商品品质监测管理*** | |
| CN116701983B (zh) | 一种冷链物流实时监测数据处理方法及*** | |
| CN112418517B (zh) | 一种用于冻害短临预警的预测方法 | |
| WO2018051568A1 (ja) | プラント異常診断装置及びプラント異常診断システム | |
| CN112985494A (zh) | 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 | |
| CN116843236A (zh) | 一种基于人工智能的食品存储监管*** | |
| CN114297264B (zh) | 一种时序信号异常片段检测方法及*** | |
| CN114048642B (zh) | 一种航空发动机性能趋势分析方法 | |
| CN115311829A (zh) | 一种基于海量数据的精准告警方法及*** | |
| CN111912943A (zh) | 一种基于大数据的冷链生鲜食品安全全周期监测管理*** | |
| KR101876185B1 (ko) | 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법 및 그 시스템 | |
| CN110243598A (zh) | 列车轴承温度的处理方法、装置及存储介质 | |
| CN116720150B (zh) | 一种机械制冷***故障诊断方法及*** | |
| US9010134B2 (en) | Optronic infrared system with predictive maintenance following a sudden drift | |
| CN114485947B (zh) | 用于户外用电设备的安防监控方法 | |
| JP2007026134A (ja) | 異常判定装置 | |
| CN115063427A (zh) | 用于新型船舶的污染物排放监控图像处理方法 | |
| WO2020183781A1 (ja) | 異常診断装置 | |
| CN117235421B (zh) | 一种基于rfid的高温报警*** | |
| Wu et al. | A fusion method for estimate of trajectory | |
| CN117665224B (zh) | 一种用于食品检测的智能实验室管理方法 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: An anomaly monitoring and warning system for refrigerated storage containers Effective date of registration: 20230914 Granted publication date: 20220923 Pledgee: Liaocheng Branch of Postal Savings Bank of China Co.,Ltd. Pledgor: SHANDONG XINYA EQUIPMENT MANUFACTURING Co.,Ltd. Registration number: Y2023980056749 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |