基于数据存储的温度测试仪数据分类方法与流程

1.本发明涉及数据处理技术领域，具体涉及基于数据存储的温度测试仪数据分类方法。


背景技术：

2.由于冷库中物资特殊的成分和特殊使用要求，对存储环境必须格外严格。一旦存储温度参数超出允许的范围，且没有及时发现，会有可能造成巨大的损失，甚至会造成人员伤亡等重大事故。冷库温度测试仪的温度数据可以帮助监测和控制食品储存环境的温度，保证食品的品质和安全。通过对冷库温度测试仪数据的分析，可以优化冷库的运行和管理，提高储存效率和节省能源。
3.现有的冷库中分布多个温度测试仪并按照时序顺序记录每个温度测试仪的温度信息，通过预设的温度区间阈值判断冷库温度是否异常。但以单一温度阈值判断温度数据不够准确，可能存在特殊情况影响冷库温度，例如正常搬运货开关门时造成的温度波动，货物进入冷库时的温度波动，可能会被错分为异常温度数据，导致冷库运行管理不准确。


技术实现要素：

4.本发明提供基于数据存储的温度测试仪数据分类方法，以解决现有的问题。
5.本发明的基于数据存储的温度测试仪数据分类方法采用如下技术方案：本发明一个实施例提供了基于数据存储的温度测试仪数据分类方法，该方法包括以下步骤：在冷库中部署多个温度测试仪，构成温度测试仪矩阵；采集温度测试仪矩阵每个温度测试仪的温度数据，构成温度分布矩阵；设置冷库温度期望值，根据制冷机制冷温度以及冷库温度期望值获取横向理想温度分布；获取温度分布矩阵中每一行实际温度分布与横向理想温度分布的相似性；获取温度分布矩阵中每一行实际温度与横向理想温度分布中理想温度的平均差异；根据平均差异获取温度分布矩阵中每一行温度测试仪的温度异常程度影响参数；根据温度分布矩阵中每一行实际温度分布与横向理想温度分布的相似性和温度异常程度影响参数获取每一行温度测试仪的温度正常概率；对每一行温度测试仪的温度正常概率进行修正，得到每一行温度测试仪的温度正常修正概率；根据温度正常修正概率获取异常温度数据和正常温度数据，对异常温度数据与正常温度数据进行分类存储。
6.优选的，所述根据制冷机制冷温度以及冷库温度期望值获取横向理想温度分布，包括的具体步骤如下：获取温度测试仪矩阵中每一列的温度测试仪的理想温度：
其中，为温度测试仪矩阵中第列的温度测试仪的理想温度；为冷库温度期望值；为制冷机制冷温度；为温度测试仪矩阵的列数；为列号；将温度测试仪矩阵中所有列的温度测试仪的理想温度构成的序列作为横向理想温度分布。
7.优选的，所述获取温度分布矩阵中每一行实际温度分布与横向理想温度分布的相似性，包括的具体步骤如下：其中，为温度分布矩阵中第行实际温度分布与横向理想温度分布的相似性；为横向理想温度分布中第个理想温度；为温度测试仪矩阵中第行第列的温度测试仪的温度；为温度测试仪矩阵的列数。
8.优选的，所述根据平均差异获取温度分布矩阵中每一行温度测试仪的温度异常程度影响参数，包括的具体步骤如下：其中，为温度分布矩阵中第行温度测试仪的温度异常程度影响参数；为冷库温度期望值；为温度分布矩阵中第行实际温度与理想温度的平均差异；为制冷机制冷温度。
9.优选的，所述对每一行温度测试仪的温度正常概率进行修正，得到每一行温度测试仪的温度正常修正概率，包括的具体步骤如下：其中，为温度分布矩阵中第行温度测试仪的温度正常修正概率；为温度分布矩阵中第行温度测试仪的温度正常概率；为温度分布矩阵中第行温度测试仪的温度数据在过去24小时内异常的次数；为异常次数阈值；为以自然常数为底的指数函数；为自然常数。
10.优选的，所述根据温度正常修正概率获取异常温度数据和正常温度数据，包括的具体步骤如下：当温度分布矩阵中某一行温度测试仪的温度正常修正概率小于概率阈值时，将该行温度测试仪的温度数据作为异常温度数据，当温度分布矩阵中某一行温度测试仪的温度正常修正概率大于或等于概率阈值时，将该行温度测试仪的温度数据作为正常温度数据。
11.本发明的技术方案的有益效果是：本发明通过放置温度测试仪矩阵，根据矩阵测
试仪记录的温度值分析不同时段下的温度分布和变化情况，分析温度数据的正常概率。本发明实施例根据制冷机制冷温度以及冷库温度期望值获取横向理想温度分布，获取温度分布矩阵中每一行实际温度分布与横向理想温度分布的相似性，根据温度分布矩阵中每一行实际温度与横向理想温度分布中理想温度的平均差异获取温度分布矩阵中每一行温度测试仪的温度异常程度影响参数，结合相似性获取温度正常概率，根据历史异常次数对每一行温度测试仪的温度正常概率进行修正，使得温度正常概率更加准确，避免了冷库的正常开关门造成的温度变化被错误识别为异常温度数据，使得对异常温度数据和正常温度数据的分类更加准确。有助于企业及时发现和解决问题，防止产品质量受到影响，保证库存产品的安全性和稳定性。
附图说明
12.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。
13.图1为本发明的基于数据存储的温度测试仪数据分类方法的步骤流程图；图2为温度测试仪矩阵示意图。
具体实施方式
14.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基于数据存储的温度测试仪数据分类方法，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。
15.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。
16.下面结合附图具体的说明本发明所提供的基于数据存储的温度测试仪数据分类方法的具体方案。
17.请参阅图1，其示出了本发明一个实施例提供的基于数据存储的温度测试仪数据分类方法的步骤流程图，该方法包括以下步骤：s001．部署温度测试仪，采集温度分布矩阵。
18.为了准确的监测冷库中的温度，本发明实施例在冷库中部署多个温度测试仪，构成温度测试仪矩阵，参见图2。图2中左侧为制冷机以及冷库，冷库中间矩形区域为温度测试仪的矩阵平面，图2右边矩形为温度测试仪矩阵分布，每条线的交点为温度测试仪。
19.需要说明的是，因为冷空气向下流动，为了更准确的判断冷库内的温度变化，需要在冷库中心位置取以一平面作为温度测试仪矩阵的布置位置，以避免冷空气下流对温度测试仪测温数值的影响。冷库中温度测试仪的距离间隔应该根据具体情况而定，一般建议在不同位置设置多个温度测试仪，以确保整个冷库内的温度均匀。温度测试仪之间的距离应该足够接近，以便能够准确地监测到温度变化，但也要避免过于密集，以免影响空气流通和
温度分布。在本发明实施例中，温度测试仪之间的距离的经验值为2米，本发明实施例中温度测试仪矩阵的间距为2米。在其他实施例中，实施例人员可根据冷库实际情况设置温度测试仪矩阵的间距。
20.为了获取更准确的异常温度数据，本发明实施例需要观察温度波动变化，因此在本发明实施例中设置温度的采集时间间隔为每5分钟一次。在其他实施例中，实施人员可根据实际实施情况设置采集时间间隔。
21.温度测试仪以固定距离分布在冷库中，每个温度测试仪记录了冷库中不同位置的温度信息，本发明实施例根据温度测试仪的位置将温度数据转化为二维矩阵，二维矩阵每个位置的元素则为温度测试仪的温度信息，通过二维矩阵可以更好的分析温度测试仪矩阵内的温度变化和分布。将二维矩阵记为温度分布矩阵。
22.将温度分布矩阵表示为：其中为每个对应位置温度测试仪的温度；为温度测试仪矩阵中第一行第一列的温度测试仪的温度；为温度测试仪矩阵的列数，即温度测试仪矩阵中每行温度测试仪的数量；为温度测试矩阵的行数，即温度测试仪矩阵中每列温度测试仪的数量；为温度测试仪矩阵中第行第列的温度测试仪的温度；温度分布矩阵中记录的为每个温度测试仪在某时刻的温度信息和位置信息，由于温度测试仪的分布均匀，可以认为温度测试仪的温度数据即为冷库中该温度测试仪对应区域的平均温度值。
23.至此，得到了温度分布矩阵。
24.s002．获取理想状态下温度测试仪的温度分布。
25.需要说明的是，异常温度数据是指冷库内部温度超出设定范围的数据，这些数据的存储意义在于提醒管理人员冷库出现了异常情况，需要及时采取措施进行处理，以防止货物损坏或者其他不良后果的发生。同时，异常温度数据也可以用于分析冷库运行情况，找出问题所在，进行改进和优化。正常数据是指冷库内部温度在设定范围内的数据，这些数据的存储意义在于记录冷库的正常运行情况，为管理人员提供参考，以便更好地掌握冷库的运行状态和趋势。同时，正常数据还可以用于分析冷库的运行效率和能耗情况，为冷库的优化和改进提供数据支持。现有的冷库区分异常数据的方式是根据不同位置温度测试仪的数值与预定温度阈值进行比较，将高于阈值的温度数据记为异常数据。但现有的固定温度阈值或固定温度区间判断冷库温度是否异常可能存在误判，如冷库正常开关门或常温货物进入冷库都有可能影响冷库的温度变化，而这些温度变化可能会被分为异常数据，实际上只是冷库的正常工作过程。本发明实施例通过温度测试仪的温度数值和温度变化判断冷库的使用状态并根据冷库温度的异常程度状态区分温度测试仪测温数据正常数据和异常数据，将正常数据异常数据分类存储，有利于管理员分析冷库的温度趋势以及能够及时排查冷库故障或使用不当问题，保证库存产品的安全性行业稳定性。
26.需要进一步说明的是，理想状态下的冷库温度（即冷库中没有货物或冷空气气流
影响时的冷库温度）与距离呈现近似的线性关系，距离制冷机越远温度越高，由于纵向上下墙体对于冷库影响是相同的且制冷机在横向左侧墙壁上，为了更好的分析温度距离的变化情况，暂只考虑横向温度分布。
27.根据冷库存储的经验值，冷库中货物在环境温度t以内时能有较好的保鲜效果，因此将t作为冷库温度期望值。所以需要冷库中的理论最高温度在t摄氏度，此时既能保证货物的保鲜效果，又能减少电力的浪费。理想状态下冷库中温度近似线性变化，即横向温度分布随温度测试仪到制冷机的距离增加温度递增，且最高不能超过冷库温度期望值t。因此距离制冷机最远的温度测试仪的温度为t。
28.将此时制冷机制冷温度记为，获取温度测试仪矩阵中每一列的温度测试仪的理想温度：其中，为温度测试仪矩阵中第列的温度测试仪的理想温度；为冷库温度期望值；为制冷机制冷温度；为温度测试仪矩阵的列数；为列号，且；理想状态下冷库中温度分布近似线性变化，从制冷机位置开始到正对墙壁附近温度线性递增，且温度测试仪为固定距离分布且近似可以表示其所处空间温度值，所以通过最低温的温度值与最高温的温度值之差根据测试仪的分布距离等比例增加温度值。
29.至此，获取了温度测试仪矩阵中每一列的温度测试仪的理想温度，即横向理想温度分布，为。
30.s003．获取温度测试仪的温度正常概率。
31.需要说明的是，温度分布矩阵中每一行实际的温度分布情况越接近横向理想温度分布时，该行温度测试仪数据异常概率越小，温度分布矩阵中每一行实际的温度分布情况与横向理想温度分布的差异越大时，该行温度测试仪数据异常概率越大。根据离散余弦相似度可以计算冷库中每一行横向温度分布和理想状态下温度分布的差异性。
32.获取温度分布矩阵中每一行实际温度分布与横向理想温度分布的相似性：其中，为温度分布矩阵中第行实际温度分布与横向理想温度分布的相似性；为横向理想温度分布中第个理想温度，即温度测试仪矩阵中第列的温度测试仪的理想温度；为温度测试仪矩阵中第行第列的温度测试仪的温度；为温度测试仪矩阵的列数，即温度测试仪矩阵中每行温度测试仪的数量；利用实际温度分布和横向理想温度分布的离散余弦相似度一定程度上可以表示第行温度测试仪对应温度的异常概率，当离散余弦相似度越高，异常概率越低；对加1是为了防止相似性为负数，乘以对结果
归一化，使得相似性保持在0到1的范围内。
33.需要说明的是，可能存在温度偏高但离散余弦相似度较高或温度偏低但离散余弦相似度较低的情况，温度均值偏高可能对货品冷藏效果造成严重影响，而温度均值偏低造成离散余弦相似度较低可能是因为制冷机功率较大造成的，对货品的冷藏效果影响不大，所以计算数据均值大小可以作为数据正常或异常的影响参数。统计学置信区间的显著性水平参数一般不大于0.1，即数据偏离不超过10%，可结合显著性水平参数获取每一行温度测试仪的温度异常程度影响参数。
34.在本发明实施例中，获取温度分布矩阵中每一行实际温度与理想温度的平均差异：其中，为温度分布矩阵中第行实际温度与理想温度的平均差异；为横向理想温度分布中第个理想温度，即温度测试仪矩阵中第列的温度测试仪的理想温度；为温度测试仪矩阵中第行第列的温度测试仪的温度；为温度测试仪矩阵的列数，即温度测试仪矩阵中每行温度测试仪的数量。
35.获取温度分布矩阵中每一行温度测试仪的温度异常程度影响参数：其中，为温度分布矩阵中第行温度测试仪的温度异常程度影响参数；为冷库温度期望值；为温度分布矩阵中第行实际温度与理想温度的平均差异；为制冷机制冷温度；冷库内温度数据均值越低，其异常概率越低，若温度数据有所波动，在冷库温度期望值的10%之内波动有可能为正常值，当温度数据的正常概率越大时，温度异常程度影响参数越大，当位于冷库温度期望值的10%波动范围之外时，温度数据的正常概率为0。
36.获取温度分布矩阵中每一行温度测试仪的温度正常概率：其中为温度分布矩阵中第行温度测试仪的温度正常概率；为温度分布矩阵中第行实际温度分布与横向理想温度分布的相似性；为温度分布矩阵中第行温度测试仪的温度异常程度影响参数；当温度分布矩阵中第行实际温度分布与横向理想温度分布的相似性越大，且温度异常程度影响参数越大时，第行温度测试仪的温度正常概率越大，反之，当温度分布矩阵中第行实际温度分布与横向理想温度分布的相似性越小，且温度异常程度影响参数越小时，第行温度测试仪的温度正常概率越小。
37.至此，获取了温度分布矩阵中每一行温度测试仪的温度正常概率。
38.s004．对温度正常概率进行修正，得到温度正常修正概率。
39.需要说明的是，在冷库正常使用过程中的开关门时，可能会对冷库中的温度分布和温度数值产生一定影响，但开关门的时间较短时，冷库一段时间会慢慢恢复温度，不会对
货品产生影响，若长时间温度变化，就有可能对冷库产生影响。冷库开关门会影响局部温度变化，温度采集时每隔五分钟记录一次，冷库开门时间每天的限制取决于多种因素，包括库房内储存的物品种类、库房的温度和湿度要求、库房容量、门的数量和大小、库房使用频率等等。一般来说，冷库开门时间每天不应该超过总使用时间的10%左右，以确保库房内的温度和湿度能够保持稳定。例如，如果一个冷库每天使用24个小时，那么开门时间应该控制在2.4个小时以内。因此本发明实施例结合过去24小时内温度测试仪的异常次数对当前温度测试仪的温度正常概率进行修正。
40.在本发明实施例中，获取温度分布矩阵中每一行温度测试仪的温度正常修正概率：其中，为温度分布矩阵中第行温度测试仪的温度正常修正概率；为温度分布矩阵中第行温度测试仪的温度正常概率；为温度分布矩阵中第行温度测试仪的温度数据在过去24小时内异常的次数；为异常次数阈值，根据温度的采集时间间隔获得，本发明实施例中，每5分钟采集一次温度数据，2.4个小时内采集29次，若开门时间为2.4小时，对应的温度异常次数为29，因此，本发明实施例中异常次数阈值，在其他实施例中，实施人员可根据实际的实施情况设置；为以自然常数为底的指数函数；为自然常数；当温度分布矩阵中第行温度测试仪的温度数据在过去24小时内异常的次数大于异常次数阈值时，较小，此时对的修正程度较大，使得第行温度测试仪的温度正常概率降低；当温度分布矩阵中第行温度测试仪的温度数据在过去24小时内异常的次数小于异常次数阈值时，较大，此时对的修正程度较小，通过除以自然常数e进行归一化，同时使得第行温度测试仪的温度正常概率尽可能保持不变。
41.至此，获取了温度分布矩阵中每一行温度测试仪的温度正常修正概率。
42.s005．对温度测试仪的数据进行分类存储。
43.预设一个概率阈值s，其中本实施例以s=0.125为例进行叙述，本实施例不进行具体限定，其中s可根据具体实施情况而定。当温度分布矩阵中某一行温度测试仪的温度正常修正概率小于概率阈值s时，认为该行温度测试仪的温度数据为异常温度数据。反之，当温度分布矩阵中某一行温度测试仪的温度正常修正概率大于或等于概率阈值s时，认为该行温度测试仪的温度数据为正常温度数据。将异常温度数据与正常温度数据分类存储。
44.需要说明的是，冷库的实际大小，使用情况各不相同，实施人员可利用本发明实施例中的方法，结合实际实施情况设置合适的概率阈值，判断温度数据的异常程度，并分别存储正常温度数据和异常温度数据，以便更好地掌握冷库的运行状态和趋势，有助于企业及时发现和解决问题，防止产品质量受到影响。
45.通过以上步骤，完成了温度测试仪数据的分类存储。
46.本发明实施例通过放置温度测试仪矩阵，根据矩阵测试仪记录的温度值分析不同
时段下的温度分布和变化情况，分析温度数据的正常概率。本发明实施例根据制冷机制冷温度以及冷库温度期望值获取横向理想温度分布，获取温度分布矩阵中每一行实际温度分布与横向理想温度分布的相似性，根据温度分布矩阵中每一行实际温度与横向理想温度分布中理想温度的平均差异获取温度分布矩阵中每一行温度测试仪的温度异常程度影响参数，结合相似性获取温度正常概率，根据历史异常次数对每一行温度测试仪的温度正常概率进行修正，使得温度正常概率更加准确，避免了冷库的正常开关门造成的温度变化被错误识别为异常温度数据，使得对异常温度数据和正常温度数据的分类更加准确。有助于企业及时发现和解决问题，防止产品质量受到影响，保证库存产品的安全性和稳定性。
47.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，凡在本发明的精神和原则之内，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。

技术特征：
1.基于数据存储的温度测试仪数据分类方法，其特征在于，该方法包括以下步骤：在冷库中部署多个温度测试仪，构成温度测试仪矩阵；采集温度测试仪矩阵每个温度测试仪的温度数据，构成温度分布矩阵；设置冷库温度期望值，根据制冷机制冷温度以及冷库温度期望值获取横向理想温度分布；获取温度分布矩阵中每一行实际温度分布与横向理想温度分布的相似性；获取温度分布矩阵中每一行实际温度与横向理想温度分布中理想温度的平均差异；根据平均差异获取温度分布矩阵中每一行温度测试仪的温度异常程度影响参数；根据温度分布矩阵中每一行实际温度分布与横向理想温度分布的相似性和温度异常程度影响参数获取每一行温度测试仪的温度正常概率；对每一行温度测试仪的温度正常概率进行修正，得到每一行温度测试仪的温度正常修正概率；根据温度正常修正概率获取异常温度数据和正常温度数据，对异常温度数据与正常温度数据进行分类存储。2.根据权利要求1所述的基于数据存储的温度测试仪数据分类方法，其特征在于，所述根据制冷机制冷温度以及冷库温度期望值获取横向理想温度分布，包括的具体步骤如下：获取温度测试仪矩阵中每一列的温度测试仪的理想温度：其中，为温度测试仪矩阵中第列的温度测试仪的理想温度；为冷库温度期望值；为制冷机制冷温度；为温度测试仪矩阵的列数；为列号；将温度测试仪矩阵中所有列的温度测试仪的理想温度构成的序列作为横向理想温度分布。3.根据权利要求1所述的基于数据存储的温度测试仪数据分类方法，其特征在于，所述获取温度分布矩阵中每一行实际温度分布与横向理想温度分布的相似性，包括的具体步骤如下：其中，为温度分布矩阵中第行实际温度分布与横向理想温度分布的相似性；为横向理想温度分布中第个理想温度；为温度测试仪矩阵中第行第列的温度测试仪的温度；为温度测试仪矩阵的列数。4.根据权利要求1所述的基于数据存储的温度测试仪数据分类方法，其特征在于，所述根据平均差异获取温度分布矩阵中每一行温度测试仪的温度异常程度影响参数，包括的具体步骤如下：
其中，为温度分布矩阵中第行温度测试仪的温度异常程度影响参数；为冷库温度期望值；为温度分布矩阵中第行实际温度与理想温度的平均差异；为制冷机制冷温度。5.根据权利要求1所述的基于数据存储的温度测试仪数据分类方法，其特征在于，所述对每一行温度测试仪的温度正常概率进行修正，得到每一行温度测试仪的温度正常修正概率，包括的具体步骤如下：其中，为温度分布矩阵中第行温度测试仪的温度正常修正概率；为温度分布矩阵中第行温度测试仪的温度正常概率；为温度分布矩阵中第行温度测试仪的温度数据在过去24小时内异常的次数；为异常次数阈值；为以自然常数为底的指数函数；为自然常数。6.根据权利要求1所述的基于数据存储的温度测试仪数据分类方法，其特征在于，所述根据温度正常修正概率获取异常温度数据和正常温度数据，包括的具体步骤如下：当温度分布矩阵中某一行温度测试仪的温度正常修正概率小于概率阈值时，将该行温度测试仪的温度数据作为异常温度数据，当温度分布矩阵中某一行温度测试仪的温度正常修正概率大于或等于概率阈值时，将该行温度测试仪的温度数据作为正常温度数据。

技术总结
本发明涉及数据处理技术领域，具体涉及基于数据存储的温度测试仪数据分类方法，包括：采集温度分布矩阵，根据制冷机制冷温度以及冷库温度期望值获取横向理想温度分布，获取温度分布矩阵中每一行实际温度分布与横向理想温度分布的相似性，根据温度分布矩阵中每一行实际温度与横向理想温度分布中理想温度的平均差异获取温度分布矩阵中每一行温度测试仪的温度异常程度影响参数，结合相似性获取温度正常概率，根据历史异常次数对每一行温度测试仪的温度正常概率进行修正，进而得到异常温度数据和正常温度数据，对异常温度数据与正常温度数据进行分类存储。本发明对异常温度数据和正常温度数据的分类更加准确。常温度数据的分类更加准确。常温度数据的分类更加准确。


技术研发人员：曾志 刘卫华 刘勇 董占恩 周小刚 王帮鑫 朱立璐 张孝天 刘志敏 韩盼盼
受保护的技术使用者：山东盈动智能科技有限公司
技术研发日：2023.07.21
技术公布日：2023/8/21