CN118350735A - 基于数字孪生的生鲜仓储物流在线监测系统及监测方法 - Google Patents
基于数字孪生的生鲜仓储物流在线监测系统及监测方法 Download PDFInfo
- Publication number
- CN118350735A CN118350735A CN202410448214.9A CN202410448214A CN118350735A CN 118350735 A CN118350735 A CN 118350735A CN 202410448214 A CN202410448214 A CN 202410448214A CN 118350735 A CN118350735 A CN 118350735A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- fresh
- information
- product
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000007405 data analysis Methods 0.000 claims abstract description 46
- 238000013507 mapping Methods 0.000 claims abstract description 12
- 238000003066 decision tree Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000013480 data collection Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 238000001237 Raman spectrum Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000013138 pruning Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 abstract description 7
- 238000013068 supply chain management Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q10/0833—Tracking
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数字孪生的生鲜仓储物流在线监测系统及监测方法，属于生鲜仓储物流管理技术领域，系统包括数据采集单元和数字孪生模型单元，数据采集单元与数字孪生模型单元通过虚实映射单元相连接；数据采集单元用于采集仓储物流中生鲜产品的实时数据，数据采集单元包括设置在生鲜仓储设备中的固定数据采集模块和设置在生鲜产品上的移动数据采集模块，固定数据采集模块和移动数据采集模块均与虚实映射单元相连接；数字孪生模型单元包括用于统一数据格式的异构数据解析模块，异构数据解析模块连接有生鲜数据模块和生鲜产品描述模块，生鲜产品描述模块连接有预测预警模块和质量追溯模块，预测预警模块、质量追溯模块以及生鲜数据模块均与数据库相连接。采用上述一种基于数字孪生的生鲜仓储物流在线监测系统及监测方法，实现对生鲜产品全过程的监控和预测，将有效降低损失，提高管理效率，为生鲜产品供应链管理提供有效的支持。
Description
技术领域
本发明涉及属于生鲜仓储物流管理技术领域，尤其是涉及基于数字孪生的生鲜仓储物流在线监测系统及监测方法。
背景技术
随着经济的发展和人民生活水平的提高，对于生鲜产品的需求量不断增加，生鲜产品的仓储物流管理成为了一个备受关注的问题。传统的仓储物流管理方式通常依赖于人工操作和纸质文档记录，存在信息不实时、数据不准确、运输损耗率高的情况。这些问题导致了农产品供应链的效率低下、资源浪费严重，甚至可能对产品的质量和安全产生影响。为了解决这些问题，我们需要一种更加先进、高效的仓储物流管理方法。
发明内容
本发明的目的是提供一种基于数字孪生的生鲜仓储物流在线监测系统及监测方法，解决上述技术问题。
为实现上述目的，本发明提供了一种基于数字孪生的生鲜仓储物流在线监测系统，包括数据采集单元和数字孪生模型单元，数据采集单元与数字孪生模型单元通过虚实映射单元相连接；
数据采集单元用于采集仓储物流中生鲜产品的实时数据，数据采集单元包括设置在生鲜仓储设备中的固定数据采集模块和设置在生鲜产品上的移动数据采集模块，固定数据采集模块和移动数据采集模块均与虚实映射单元相连接；
数字孪生模型单元包括用于统一数据格式的异构数据解析模块，异构数据解析模块连接有生鲜数据模块和生鲜产品描述模块，生鲜产品描述模块连接有预测预警模块和质量追溯模块，预测预警模块、质量追溯模块以及生鲜数据模块均与数据库相连接。
优选的，固定数据采集模块包括第一传感器组件、用于识别生鲜产品上信息识别标签的扫描器和用于采集生鲜产品的外观状态和运行情况的第一摄像头或第一拉曼光谱检测仪；
移动数据采集模块包括定位装置，移动数据采集模块还包括设置在运输设备上的第二传感器组件和用于采集生鲜产品的外观状态和运行情况的第二摄像头或第二拉曼光谱检测仪；
第一传感器组件和第二传感器组件均包括温度传感器、湿度传感器以及嗅觉传感器，第一传感器组件还包括压力传感器，用于检测生鲜产品的存放环境的温度、湿度以及新鲜度指标，新鲜度指标包括由嗅觉传感器检测得到的气味指标和由压力传感器检测压力变化得到的活跃度指标；
第一传感器组件、第一摄像头、扫描器、定位装置、第二传感器组件以及第二摄像头均与异构数据解析模块相连接。
优选的，生鲜数据模块包括产品形态识别子模块、传感器数据子模块以及位置追踪数据子模块；
产品形态识别子模块、传感器数据子模块以及位置追踪数据子模块均与异构数据解析模块相连接；
生鲜产品描述模块包括产品信息描述子模块、位置信息描述子模块以及状态监测子模块，分别用于构建产品信息模型、位置信息模型和状态信息模型；
产品信息描述子模块与传感器数据子模块相连接，用于接收生鲜产品的基本信息，基本信息包括产品类型、批次号、生产日期以及过期日期；
位置信息描述子模块与位置追踪数据子模块相连接，用于接收生鲜产品的位置信息，位置信息包括生产地、当前位置、运输路径以及目的地；
状态监测子模块与传感器数据子模块相连接，用于接收生鲜产品的状态信息，状态信息包括温度、湿度和新鲜度指标。
优选的，数据库包括时序数据库、文档数据库、关系数据库和区块链。
一种基于上述的基于数字孪生的生鲜仓储物流在线监测系统的监测方法，具体步骤如下：
步骤S1：建立数据采集单元和数字孪生模型单元与虚实映射单元的连接；
步骤S2：在物料和仓储过程中实时采集生鲜产品的数据并将采集的数据传输至异构数据解析模块；
在运输过程中通过移动数据采集模块采集生鲜产品的运输温度、湿度、位置以及气味数据，并将采集的数据传递给异构数据解析模块转换为数字化的数据格式；
当生鲜产品送达仓储设施时，通过扫描器识别和录入信息识别标签，并通过固定数据采集模块中的第一摄像头采集生鲜产品的外观状态和运动情况信息，通过第一传感器组件采集仓储环境和生鲜产品的新鲜度指标，并将信息识别标签携带的基本信息和图像信息传递给异构数据解析模块转换为数字化的数据格式；
步骤S3：异构数据解析模块将接收到的原始数据进行解析，形成统一规范数据格式并交由数字孪生描述模块，对生鲜产品信息进行更新，通过数字孪生模型显示生鲜产品的实时数据信息，并将数据存储到数据库中，为预测预警模块和质量追溯模块提供数据支持；
步骤S4：预测预警模块对采集到的数据进行特征提取和分析，对实时采集到的数据进行预测和分析，识别出潜在的异常情况或风险事件，并发出相应的预警信号；
质量追溯模块根据用户的查询需求，从数据库中检索相关的数据信息，将查询到的质量追溯信息进行展示和汇总，以便用户查看和分析。
优选的，通过定位装置采集生鲜产品的实时位置数据，定位装置采用GPS定位器，实时位置信息传递给异构数据解析模块，异构数据解析模块对数据进行解析，形成统一规范数据格式并交由位置追踪数据子模块，并通过位置信息描述子模块进行位置数据更新。
优选的，第一传感器组件和第二传感器组件将运输和存储的环境监测数据，第一传感器组件通过压力传感器检测压力变化数据得到活跃度指标数据，将环境监测数据和活跃度指标数据传递给异构数据解析模块，异构数据解析模块对数据进行解析，形成统一规范数据格式并交由传感器数据子模块，通过状态监测子模块对生鲜产品存储的环境信息和活跃度指标数据进行更新。
优选的，第一摄像头和第二摄像头采集产品的外观状态和运动情况数据，传递给异构数据解析模块，异构数据解析模块对图像进行解析，形成统一规范数据格式并交由产品形态识别子模块，通过产品信息描述子模块对生鲜产品的形态信息进行更新。
优选的，预测预警模块根据数字孪生描述模块中的更新数据进行预测和预警，通过决策树方法进行预测和预警，具体过程如下：
步骤S41：数据采集，获取更新的生鲜产品仓储物流过程中的监测数据，监测数据包括温度、湿度、图像、活跃度指标以及产品位置,；
步骤S42：数据预处理，对获取的数据进行预处理，检测是否存在缺失值、异常值以及重复值，对缺失值进行填补，对异常值和重复值进行剔除；
步骤S43：对处理后的数据集划分为训练集和测试集；
步骤S44：构建决策树预测模型，并通过训练集和测试集进行训练和测试；
步骤S45：通过训练和测试后的决策树模型对实时采集的数据进行预测，根据预测结果，制定预警策略，当预测结果显示出现异常情况，将发出相应的预警信号，提示相关人员采取相应的措施。
优选的，在步骤S44中，构建决策树预测模型具体过程如下：
首先，选择根节点：从训练集中根据生鲜产品类型选定相应特征作为根节点；
然后，分裂数据集：根据选定的特征，将训练集数据分裂成不同的子集，每个子集对应于根节点的取值不同，通过对数据集的不断划分，构建出一个决策树的分支结构；
然后，递归分裂：对每个子集递归地重复上述分裂过程，直到满足停止条件，停止条件为如达到最大深度、节点包含的样本数小于阈值或者节点的不纯度低于阈值；构建完成基础的决策树模型；
然后，简化基础模型，通过剪枝测量删减节点和分支；
最后，根据简化后的决策树模型生成决策规则。
因此，本发明采用上述一种基于数字孪生的生鲜仓储物流在线监测系统及监测方法，具有以下有益效果：
(1)基于物联网技术、数字孪生技术、大数据分析技术和预测算法提供了生鲜产品仓储物流过程中实时监测和预测方法，有利于解决生鲜产品仓储物流过程中信息时效性和准确性不足的技术问题。
(2)利用物联网技术实时采集生鲜产品仓储物流过程中的各种数据，包括位置、温度、湿度、震动、新鲜度指标等信息，数字孪生技术构建虚拟的物流模型，使监测过程更加实时、准确。
(3)利用数字孪生技术构建虚拟的物流模型，可以更好地模拟和优化物流过程，为生鲜产品仓储物流管理提供新的思路和方法。
(4)对采集到的数据进行综合分析和预测，能够更全面地了解物流过程中的情况，并提供相应的预警和调整建议，有效降低运输损耗率。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明一种基于数字孪生的生鲜仓储物流在线监测系统框图；
图2为本发明生鲜水产品数据采集布局图；
图3为本发明一种基于数字孪生的生鲜仓储物流在线监测系统架构图；
图4为本发明数字孪生模型中的生鲜产品状态监控图。
具体实施方式
实施例
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
下面结合附图，对本发明的实施方式作详细说明。
如图1所示，一种基于数字孪生的生鲜仓储物流在线监测系统，包括数据采集单元和数字孪生模型单元，数据采集单元与数字孪生模型单元通过虚实映射单元相连接。虚实映射单元可以为PLC或单片机设备，用于建立物理实体空间与数字孪生模型空间的连接。
如图2-3所示，图2为本发明生鲜水产品数据采集布局图，图3为本发明一种基于数字孪生的生鲜仓储物流在线监测系统架构图，数据采集单元用于采集仓储物流中生鲜产品的实时数据，数据采集单元包括设置在生鲜仓储设备中的固定数据采集模块和设置在生鲜产品上的移动数据采集模块，固定数据采集模块和移动数据采集模块均与虚实映射单元相连接。固定数据采集模块包括第一传感器组件、用于识别生鲜产品上信息识别标签(本实施例为RFID标签，包括一维码、二维码、单品标签、外箱标签等，用于识别生鲜产品的唯一识别码，用于标识和跟踪生鲜产品的运输路径和位置信息)的扫描器和用于采集生鲜产品的外观状态和运行情况的第一摄像头或第一拉曼光谱检测仪。移动数据采集模块包括定位装置，移动数据采集模块还包括设置在运输设备上的第二传感器组件和用于采集生鲜产品的外观状态和运行情况的第二摄像头或第二拉曼光谱检测仪。第一传感器组件和第二传感器组件均包括温度传感器、湿度传感器以及嗅觉传感器，第一传感器组件还包括压力传感器(可用振动传感器代替)，用于检测生鲜产品的存放环境的温度、湿度以及新鲜度指标，新鲜度指标包括由嗅觉传感器检测得到的气味指标和由压力传感器检测压力变化得到的活跃度指标。根据实际需要可以增加具体传感器的类型和数量，根据水产品特性选择传感器的种类，在图2中水产品包括活体和非活体，活体检测还需要增加二氧化碳和氧气传感器，非活体检测需要增加微生物、TVB-N以及内源酶的检测传感器。第一传感器组件、第一摄像头、扫描器、定位装置、第二传感器组件以及第二摄像头均与异构数据解析模块相连接。
数字孪生模型单元包括用于统一数据格式的异构数据解析模块，异构数据解析模块连接有生鲜数据模块和生鲜产品描述模块，生鲜产品描述模块连接有预测预警模块和质量追溯模块，预测预警模块、质量追溯模块以及生鲜数据模块均与数据库相连接。生鲜数据模块包括产品形态识别子模块、传感器数据子模块以及位置追踪数据子模块，产品形态识别子模块、传感器数据子模块以及位置追踪数据子模块均与异构数据解析模块相连接。生鲜产品描述模块包括产品信息描述子模块、位置信息描述子模块以及状态监测子模块，分别用于构建产品信息模型、位置信息模型和状态信息模型。产品信息描述子模块与传感器数据子模块相连接，用于接收生鲜产品的基本信息，基本信息包括产品类型、批次号、生产日期以及过期日期。位置信息描述子模块与位置追踪数据子模块相连接，用于接收生鲜产品的位置信息，位置信息包括生产地、当前位置、运输路径以及目的地。状态监测子模块与传感器数据子模块相连接，用于接收生鲜产品的状态信息，状态信息包括温度、湿度和新鲜度指标。数据库包括时序数据库、文档数据库、关系数据库和区块链。
一种基于上述基于数字孪生的生鲜仓储物流在线监测系统的监测方法，其特征在于，具体步骤如下：
步骤S1：建立数据采集单元和数字孪生模型单元与虚实映射单元的连接；
步骤S2：在物料和仓储过程中实时采集生鲜产品的数据并将采集的数据传输至异构数据解析模块；
在运输过程中通过移动数据采集模块采集生鲜产品的运输温度、湿度、位置以及气味数据，并将采集的数据传递给异构数据解析模块转换为数字化的数据格式；
当生鲜产品送达仓储设施时，通过扫描器识别和录入信息识别标签，并通过固定数据采集模块中的第一摄像头采集生鲜产品的外观状态和运动情况信息，通过第一传感器组件采集仓储环境和生鲜产品的新鲜度指标，并将信息识别标签携带的基本信息和图像信息传递给异构数据解析模块转换为数字化的数据格式；
步骤S3：异构数据解析模块将接收到的原始数据进行解析，形成统一规范数据格式并交由数字孪生描述模块，对生鲜产品信息进行更新，通过数字孪生模型显示生鲜产品的实时数据信息，并将数据存储到数据库中，为预测预警模块和质量追溯模块提供数据支持；
步骤S4：预测预警模块对采集到的数据进行特征提取和分析，对实时采集到的数据进行预测和分析，识别出潜在的异常情况或风险事件，并发出相应的预警信号；
质量追溯模块根据用户的查询需求，从数据库中检索相关的数据信息，追溯产品的生产、加工、运输等全过程，以确定产品的来源和生产过程，将查询到的质量追溯信息进行展示和汇总，以便用户查看和分析。
将预测和预警信息以可视化方式呈现，使用户可以直观地了解生鲜产品仓储物流过程中可能出现的问题，并及时采取措施进行调整和处理。
通过定位装置采集生鲜产品的实时位置数据，定位装置采用GPS定位器，实时位置信息传递给异构数据解析模块，异构数据解析模块对数据进行解析，形成统一规范数据格式并交由位置追踪数据子模块，并通过位置信息描述子模块进行位置数据更新。
第一传感器组件和第二传感器组件将运输和存储的环境监测数据，第一传感器组件通过压力传感器检测压力变化数据得到活跃度指标数据，将环境监测数据和活跃度指标数据传递给异构数据解析模块，异构数据解析模块对数据进行解析，形成统一规范数据格式并交由传感器数据子模块，通过状态监测子模块对生鲜产品存储的环境信息和活跃度指标数据进行更新。
第一摄像头和第二摄像头采集产品的外观状态和运动情况数据，传递给异构数据解析模块，异构数据解析模块对图像进行解析，形成统一规范数据格式并交由产品形态识别子模块，通过产品信息描述子模块对生鲜产品的形态信息进行更新。
本实施例中数据传输格式是Json格式，通信协议为MQTT，通过数字孪生描述模块将采集到的实时环境数据更新到数字孪生模型空间中，以保持模型中环境信息的准确性和实时性。
预测预警模块根据数字孪生描述模块中的更新数据进行预测和预警，通过决策树方法进行预测和预警，具体过程如下：
步骤S41：数据采集，获取更新的生鲜产品仓储物流过程中的监测数据，监测数据包括温度、湿度、图像、活跃度指标以及产品位置,；
步骤S42：数据预处理，对获取的数据进行预处理，检测是否存在缺失值、异常值以及重复值，对缺失值进行填补，对异常值和重复值进行剔除；
步骤S43：对处理后的数据集划分为训练集和测试集；
步骤S44：构建决策树预测模型，并通过训练集和测试集进行训练和测试。
构建决策树预测模型具体过程如下：
首先，选择根节点：从训练集中根据生鲜产品类型选定相应特征作为根节点。选定特征应该是最能有效地将数据划分为不同类别或者最能预测目标变量的特征。
然后，分裂数据集：根据选定的特征，将训练集数据分裂成不同的子集，每个子集对应于根节点的取值不同，通过对数据集的不断划分，构建出一个决策树的分支结构。
然后，递归分裂：对每个子集递归地重复上述分裂过程，直到满足停止条件，停止条件为如达到最大深度、节点包含的样本数小于阈值或者节点的不纯度低于阈值；构建完成基础的决策树模型。
然后，简化基础模型，通过剪枝测量删减节点和分支。在决策树构建完成后，可能会出现过拟合的情况，即模型在训练集上表现良好，但在测试集上表现较差。为了提高模型的泛化能力，可以采用剪枝策略，删除一些不必要的节点和分支，简化模型的复杂度。
最后，根据简化后的决策树模型生成决策规则。用于解释模型的预测过程。这些规则可以帮助用户理解模型的决策逻辑，并据此制定相应的预警策略。
同时进行决策树模型的评估。评估过程如下：
首先，使用构建好的决策树模型对测试集中的样本进行预测，得到预测结果；
然后，比较预测结果和实际结果：将模型的预测结果与测试集中的真实标签进行比较，以评估模型的准确性。
然后，计算性能指标，根据预测结果和实际结果，计算模型的准确率、召回率、F1分数等指标，以综合评估模型的预测效果。
准确率：表示模型预测正确的样本数占总样本数的比例，计算公式如下：
其中，TP(True Positives)表示真正例数量，TN(True Negatives)表示真负例数量，FP(False Positives)表示假正例数量，FN(False Negatives)表示假负例数量。
召回率：表示模型正确预测出的正例占总正例的比例，也称为查全率，计算公式如下：
F1分数：综合考虑准确率和召回率的指标，是准确率和召回率的调和平均值，计算公式如下：
然后，解释评估结果：分析计算得到的性能指标，解释模型在预测预警过程中的表现，评估模型的优劣。
最后，调整模型参数：根据评估结果，可以调整模型的参数或者改进模型的构建方法，以提高模型的性能。
步骤S45：通过训练和测试后的决策树模型对实时采集的数据进行预测，根据预测结果，制定预警策略，当预测结果显示出现异常情况，将发出相应的预警信号，提示相关人员采取相应的措施。
如图4所示，以生鲜水产品和蔬菜为例(分别为图4中第一行和第二行)，通过生鲜农产品数字孪生实时监控系统对其色泽状态的监测，在图4从左到右，第一张图为生鲜产品的实物图像，为了记录生鲜产品的质量和状态，获取了多种数据，包括颜色、形状、纹理等方面的信息。第二张图为创建了一个虚拟的产品模型，模拟了生鲜产品在不同环境条件下的变化情况，不仅包括了产品的外观特征，还包括了温度和湿度等环境因素，以及其他活跃度指标。第三和四张图记录了生鲜产品在仓储运输过程中的状态变化，主要关注产品的色泽状态，通过实时监控系统，能够对生鲜产品的色泽进行持续监测，及时发现任何异常变化。还能记录温度、湿度等环境参数，以及其他活跃度指标，为预警提供更全面的数据支持。
利用物联网技术实时采集生鲜产品仓储物流过程中的各种数据，包括产品位置、温度、湿度、震动、新鲜度指标等信息，并通过数字孪生技术构建虚拟的物流模型，实现对生鲜产品的实时监测和预警。同时，结合大数据分析技术和预测算法，对数据进行分析和预测，追溯产品的生产、加工、运输等全过程，为物流过程中的问题提供及时的预警和调整建议。
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于数字孪生的生鲜仓储物流在线监测系统，其特征在于：包括数据采集单元和数字孪生模型单元，数据采集单元与数字孪生模型单元通过虚实映射单元相连接；
数据采集单元用于采集仓储物流中生鲜产品的实时数据，数据采集单元包括设置在生鲜仓储设备中的固定数据采集模块和设置在生鲜产品上的移动数据采集模块，固定数据采集模块和移动数据采集模块均与虚实映射单元相连接；
数字孪生模型单元包括用于统一数据格式的异构数据解析模块，异构数据解析模块连接有生鲜数据模块和生鲜产品描述模块，生鲜产品描述模块连接有预测预警模块和质量追溯模块，预测预警模块、质量追溯模块以及生鲜数据模块均与数据库相连接。
2.根据权利要求1所述的一种基于数字孪生的生鲜仓储物流在线监测系统，其特征在于：固定数据采集模块包括第一传感器组件、用于识别生鲜产品上信息识别标签的扫描器和用于采集生鲜产品的外观状态和运行情况的第一摄像头或第一拉曼光谱检测仪；
移动数据采集模块包括定位装置，移动数据采集模块还包括设置在运输设备上的第二传感器组件和用于采集生鲜产品的外观状态和运行情况的第二摄像头或第二拉曼光谱检测仪；
第一传感器组件和第二传感器组件均包括温度传感器、湿度传感器以及嗅觉传感器，第一传感器组件还包括压力传感器，用于检测生鲜产品的存放环境的温度、湿度以及新鲜度指标，新鲜度指标包括由嗅觉传感器检测得到的气味指标和由压力传感器检测压力变化得到的活跃度指标；
第一传感器组件、第一摄像头、扫描器、定位装置、第二传感器组件以及第二摄像头均与异构数据解析模块相连接。
3.根据权利要求2所述的一种基于数字孪生的生鲜仓储物流在线监测系统，其特征在于：生鲜数据模块包括产品形态识别子模块、传感器数据子模块以及位置追踪数据子模块；
产品形态识别子模块、传感器数据子模块以及位置追踪数据子模块均与异构数据解析模块相连接；
生鲜产品描述模块包括产品信息描述子模块、位置信息描述子模块以及状态监测子模块，分别用于构建产品信息模型、位置信息模型和状态信息模型；
产品信息描述子模块与传感器数据子模块相连接，用于接收生鲜产品的基本信息，基本信息包括产品类型、批次号、生产日期以及过期日期；
位置信息描述子模块与位置追踪数据子模块相连接，用于接收生鲜产品的位置信息，位置信息包括生产地、当前位置、运输路径以及目的地；
状态监测子模块与传感器数据子模块相连接，用于接收生鲜产品的状态信息，状态信息包括温度、湿度和新鲜度指标。
4.根据权利要求1所述的一种基于数字孪生的生鲜仓储物流在线监测系统，其特征在于：数据库包括时序数据库、文档数据库、关系数据库和区块链。
5.一种基于权利要求1-4任意一项所述的基于数字孪生的生鲜仓储物流在线监测系统的监测方法，其特征在于，具体步骤如下：
步骤S1：建立数据采集单元和数字孪生模型单元与虚实映射单元的连接；
步骤S2：在物料和仓储过程中实时采集生鲜产品的数据并将采集的数据传输至异构数据解析模块；
在运输过程中通过移动数据采集模块采集生鲜产品的运输温度、湿度、位置以及气味数据，并将采集的数据传递给异构数据解析模块转换为数字化的数据格式；
当生鲜产品送达仓储设施时，通过扫描器识别和录入信息识别标签，并通过固定数据采集模块中的第一摄像头采集生鲜产品的外观状态和运动情况信息，通过第一传感器组件采集仓储环境和生鲜产品的新鲜度指标，并将信息识别标签携带的基本信息和图像信息传递给异构数据解析模块转换为数字化的数据格式；
步骤S3：异构数据解析模块将接收到的原始数据进行解析，形成统一规范数据格式并交由数字孪生描述模块，对生鲜产品信息进行更新，通过数字孪生模型显示生鲜产品的实时数据信息，并将数据存储到数据库中，为预测预警模块和质量追溯模块提供数据支持；
步骤S4：预测预警模块对采集到的数据进行特征提取和分析，对实时采集到的数据进行预测和分析，识别出潜在的异常情况或风险事件，并发出相应的预警信号；
质量追溯模块根据用户的查询需求，从数据库中检索相关的数据信息，将查询到的质量追溯信息进行展示和汇总，以便用户查看和分析。
6.根据权利要求5所述的一种监测方法，其特征在于：通过定位装置采集生鲜产品的实时位置数据，定位装置采用GPS定位器，实时位置信息传递给异构数据解析模块，异构数据解析模块对数据进行解析，形成统一规范数据格式并交由位置追踪数据子模块，并通过位置信息描述子模块进行位置数据更新。
7.根据权利要求6所述的一种监测方法，其特征在于：第一传感器组件和第二传感器组件将运输和存储的环境监测数据，第一传感器组件通过压力传感器检测压力变化数据得到活跃度指标数据，将环境监测数据和活跃度指标数据传递给异构数据解析模块，异构数据解析模块对数据进行解析，形成统一规范数据格式并交由传感器数据子模块，通过状态监测子模块对生鲜产品存储的环境信息和活跃度指标数据进行更新。
8.根据权利要求7所述的一种监测方法，其特征在于：第一摄像头和第二摄像头采集产品的外观状态和运动情况数据，传递给异构数据解析模块，异构数据解析模块对图像进行解析，形成统一规范数据格式并交由产品形态识别子模块，通过产品信息描述子模块对生鲜产品的形态信息进行更新。
9.根据权利要求8所述的一种监测方法，其特征在于：预测预警模块根据数字孪生描述模块中的更新数据进行预测和预警，通过决策树方法进行预测和预警，具体过程如下：
步骤S41：数据采集，获取更新的生鲜产品仓储物流过程中的监测数据，监测数据包括温度、湿度、图像、活跃度指标以及产品位置,；
步骤S42：数据预处理，对获取的数据进行预处理，检测是否存在缺失值、异常值以及重复值，对缺失值进行填补，对异常值和重复值进行剔除；
步骤S43：对处理后的数据集划分为训练集和测试集；
步骤S44：构建决策树预测模型，并通过训练集和测试集进行训练和测试；
步骤S45：通过训练和测试后的决策树模型对实时采集的数据进行预测，根据预测结果，制定预警策略，当预测结果显示出现异常情况，将发出相应的预警信号，提示相关人员采取相应的措施。
10.根据权利要求9所述的一种监测方法，其特征在于：在步骤S44中，构建决策树预测模型具体过程如下：
首先，选择根节点：从训练集中根据生鲜产品类型选定相应特征作为根节点；
然后，分裂数据集：根据选定的特征，将训练集数据分裂成不同的子集，每个子集对应于根节点的取值不同，通过对数据集的不断划分，构建出一个决策树的分支结构；
然后，递归分裂：对每个子集递归地重复上述分裂过程，直到满足停止条件，停止条件为如达到最大深度、节点包含的样本数小于阈值或者节点的不纯度低于阈值；构建完成基础的决策树模型；
然后，简化基础模型，通过剪枝测量删减节点和分支；
最后，根据简化后的决策树模型生成决策规则。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410448214.9A CN118350735A (zh) | 2024-04-15 | 2024-04-15 | 基于数字孪生的生鲜仓储物流在线监测系统及监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410448214.9A CN118350735A (zh) | 2024-04-15 | 2024-04-15 | 基于数字孪生的生鲜仓储物流在线监测系统及监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118350735A true CN118350735A (zh) | 2024-07-16 |
Family
ID=91813261
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410448214.9A Pending CN118350735A (zh) | 2024-04-15 | 2024-04-15 | 基于数字孪生的生鲜仓储物流在线监测系统及监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118350735A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118505908A (zh) * | 2024-07-17 | 2024-08-16 | 浪潮智慧供应链科技(山东)有限公司 | 基于数字孪生的仓储数据可视化方法及系统 |
-
2024
- 2024-04-15 CN CN202410448214.9A patent/CN118350735A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118505908A (zh) * | 2024-07-17 | 2024-08-16 | 浪潮智慧供应链科技(山东)有限公司 | 基于数字孪生的仓储数据可视化方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220137612A1 (en) | Transformer fault diagnosis and positioning system based on digital twin | |
| CN116796907A (zh) | 一种基于物联网的水环境动态监测系统及其方法 | |
| CN116519895B (zh) | 一种基于大数据平台的水质在线监测分析管理系统 | |
| CN118350735A (zh) | 基于数字孪生的生鲜仓储物流在线监测系统及监测方法 | |
| Gutiérrez et al. | On the use of information fusion techniques to improve information quality: Taxonomy, opportunities and challenges | |
| CN115660291B (zh) | 一种植物病害发生与潜在发生的识别评估方法及系统 | |
| CN116308958A (zh) | 基于移动终端的碳排放在线检测预警系统及方法 | |
| CN117010915A (zh) | 一种基于物联网技术的碳排放目标识别及监测系统 | |
| CN110993096A (zh) | 一种脓毒血症的预警装置、设备及存储介质 | |
| CN118235723B (zh) | 一种基于智慧牧场的母牛智能监测平台及装置 | |
| CN118200950B (zh) | 一种电信基站的巡检方法及系统 | |
| CN117974343A (zh) | 水产养殖控制方法、智能设备及存储介质 | |
| CN117764413A (zh) | 一种基于机器学习的精确碳排放核算算法 | |
| CN110911011A (zh) | 一种脓毒血症的预警装置、设备及存储介质 | |
| CN115099332A (zh) | 一种基于混合森林的雷达数据实时处理方法及系统 | |
| CN103136439B (zh) | 植物病症辨识方法及其系统 | |
| CN118012977B (zh) | 一种基于ai与gis融合的二三维多模态数据处理方法 | |
| CN118312726B (zh) | 探地雷达数据实时评估方法及系统、训练方法及系统 | |
| CN118503893B (zh) | 基于时空特征表示差异的时序数据的异常检测方法和装置 | |
| CN117688452B (zh) | 一种基于神经网络的食品农药残留量检测预警方法及系统 | |
| CN112464896B (zh) | 一种基于学生行为的身心状态分析系统 | |
| CN118940055A (zh) | 基于数据分析的中蜂蜂巢蜜波美度数据处理系统及方法 | |
| CN112305184B (zh) | 一种污水处理多故障诊断系统及方法 | |
| Umar et al. | Smart Ontology-Based System for Recommending Practices in Melon Cultivation | |
| Salinas-Buestán et al. | Predictive Model Proposal in Telemetry Using Machine Learning Techniques to Anticipate Water Degradation in Aquaculture |
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 |