英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料

预测冷藏集装箱水果温度的数据估算方法

Ricardo Badia-Melis, Ultan Mc Carthy , Ismail Uysal

摘要：在运输和储存的过程中，提高并且解决对易腐烂食品的监测能力是必不可少的，但关键是在提高和解决的过程中不增加监测设备的成本和数量。目前，在关于易腐产品的保质期的决定性参数（例如温度）和空间预测的研究中存在知识的差距。通过对不同的制冷故障场景的角度，本文研究和比较了三种数据估算工具（人工神经网络，克里格插值法和电容传热），以提高食品安全。结果表明，使用这些技术可以让满载草莓的工业级循环容器内的传感器数量减少（通过估计温度分布），从而降低总体商业成本。使用数量为一组八个的源传感器，能够实现实现0.1℃的平均误差，这表示相对于环境温度和产品温度之间的绝对误差的改进为97.14％。即使当仅使用单个容器传感器作为预测源时，平均误差为1.49℃，对于相同的基线仍然有62％的改善。本文表明，这些技术的采用不仅具有重要的工业增值潜力，而且所获得的数据可以通过更准确的保质期计算进一步改善冷链策略和减少产品损失。

关键词：食品安全、食品物流、冷链、温度估计、冷藏集装箱、易腐食品

介绍

自然资源保护委员会（NRDC）最近的一项研究发现，美国从农场到餐桌的食物损失高达40％（Gunders，2012）。新鲜水果和蔬菜的流失率最高，它们的流失率超过50％，每两个收获的草莓中至少有一个没有吃。造成这些损失数字的根本原因主要是运温度控制不足（Pang，Chen，＆Zheng，2012）。在全球范围内，这种高损失是不可接受的，并且正是由于这个原因，用于冷冻食品链的全自动化“智能”链范围的监测传感器系统被需求。这种系统的主要目的是监测和记录利益相关者轴线上的温度，并最终促进完整的产品“监管链”。通过提高透明度，这种系统有可能直接解决这种高水平的食物浪费问题，同时也增加全球供应链的安全性和完整性。

为了解决这个问题，诸如传统数据记录器以及射频识别（RFID）和无线传感器网络（WSN）等各种监测技术已经在食品供应链中被实施。这些系统可以保存与产品相关的温度记录历史，并通过连续的校准到接受的参考标准，以提供准确的本地化单独测量结果（Opara，2003）。Regattieri，Gamberi和Manzini（2007）指出，一般来说，RFID系统将降低劳动力成本和增加利润，同时提供对供应链的更有效的控制，从而改善易腐物品的管理。RFID和WSN技术都在整个供应网络中提高了透明度。 核心信息通过实时数据流，向利益相关者提供关于产品质量，安全性和完整性的信息。进而，这将导致更灵活，适应性和反应性更强的供应链的产生，促进端到端生产和供应链完整性监控。从商业角度来看，这将导致智能化，可持续化和具有成本竞争力的全球供应链的产生。这些系统提供了产生大量“可操作数据”的机会，可以根据它进行重要的管理决策，并且还将有助于减少整个物流链中的产品浪费。

监控装置用于确保冷链中的温度完整性。然而，资源限制和成本因素禁止一个托盘使用一个设备，或者甚至一个容器使用一个设备（Badia-Melis，Brecht，Lowe，＆Uysal，2013）。许多研究人员正在进行这些系统的验证，例如在国际运输期间在冷藏卡车中测试（Jedermann，RuizGarcia，＆Lang，2009; Ruiz-Garcia，Barreiro，＆Robla，2008，Ruiz-Garcia，Barreiro，Robla， Lunadei，2010），使用集成了光，湿度和温度传感器的智能RFID标签来监测洲际鲜鱼物流链（Abad等人，2009; Hayes，Crowley和Diamond，2005）和菠萝供应链 Amador，Emond，＆Nunes，2009）。

关于产品腐败，温度是最重要的环境属性（Nascimento Nunes，Nicometo，Emond，Melis，＆Uysal，2014）。先前的研究已经证明，由于制冷单元的一次性循环引起的在单独的冷藏室内部的温度变化导致冷藏室中每个单独物品的开放空气温度变化，从1至3摄氏度至多达3至 6摄氏度（Jedermann等，2009）。在通常的物流过程期间不理想的温度变化的常见来源，包括将产品装载到冷藏卡车和从冷藏卡车卸载产品的过程。如Ruiz-Garcia等人的报道（2010）中，在温度设定点为0℃的冷藏车中，温度计最大值为8.52摄氏度，最小值为3.0摄氏度。此外，平均98％的时间温度超出了行业推荐的范围（设定值plusmn;0.5摄氏度）。类似地，混合产品货物集装箱的温度控制也存在重大挑战，因为个体“理想”保持条件也可能在单个容器内的产品之间变化，并且这可能由于每个单独容器（或冷室）内的温度变化而进一步恶化。

根据Ruiz-Garcia等人 （2010）的研究中中，理想的莴苣存储条件存在于拖车的中间，在拖车的这部分中能够观察到0℃的最佳莴苣存储温度。在该温度下可以预期21至28天的保质期，而在5℃时，保质期显着降低至14天（Cantwell＆Suslow，2002）。然而，值得注意的是，莴苣的理想存储条件远不是理想的环境对于其他产品，如热带水果，这些条件可能会导致这些产品冻伤（Jedermann等，2009）。

上面讨论的所有因素的影响将需要大量的传感器来检测整个单个容器的局部变化，这已被证明在食品工业中成本过高，因此产生了仍需要解决的难题。如果可以增加集装箱内的监测能力和分辨率，而不必使用更多的传感器单元和增加的成本，这样所有利益相关者都可以受益。

在这方面已经有了广泛的研究，并人们通过这些研究试图解决和克服这些问题（Jedermann et al。，2009; Jedermann，Palafox-Albarran，Barreiro，Ruiz-Garciacute;aa，Robla，＆Lang，2011）。然而，文献中提出的方法尝试在固定数量的关键点中估计温度，但是这些地方放置传感器是不可能的。这样的方法通常建立在诸如Kriging算法的反距离加权上，但是它们不能检测局部峰值（高变化），除非使用高密度的源传感器，这最终否定使监视系统在经济上可行的目的。其他建议包括将具有类似温度特性的产品分组以减少智能集装箱中必要传感器的数量（Jedermann等人，2009），或者通过将传感器策略性地放置在运输的货物之间，而不是将它们固定在集装箱上（Luuml;tjen，Dittmer ，＆Veigt，2012）。Badia-Melis 等人（2013）研究了通过测量托盘周围的环境温度来估算托盘产品温度，然后使用参数指数时间衰减函数对采用电容式热传递方法的电容器/电阻器系统进行建模。

本文的主要目的是确定三个参数估计工具在一个独一无二的测试环境中的效用，模拟真实生活场景，其中装载多个托盘的冷藏海运集装箱经历更冷的故障。将用于温度估计和映射的三种方法是：（1）Kriging方法；（2）电容性热传递模型，以及最后；（3）使用人工神经网络（ANN）的时间序列预测。虽然更常用于分类目的，ANN也可用于非线性时间序列预测（Zhang＆Qi，2005,2008）。假设产品和周围环境温度之间的关系是固有非线性的，我们假设一个适当的人工神经网络可以模拟这种关系。作者没有找到任何研究调查在现实的运输和存储情景下，特别是使用ANN非线性时间序列框架的食物的温度估计和绘图。虽然Jabbari，Jedermann，Muthuraman和Lang（2009）在冷藏箱（冷藏集装箱）中进行了研究，他们的方法更为理论，因为他们没有提供容器装载的细节或如何在产品之间处理温度控制 。我们的测试场景提供了一个显着更具挑战性的问题，在冷链中的温度从大约0摄氏度到多达15摄氏度的真正中断。因此，这项调查代表了冷盘温度预测调查的一个阶段性变化。

对于本研究，使用包括橙子和草莓的混合托盘。使用两种不同的温度场景：（1）产品稳定在2℃后的制冷故障；（2）在托盘水平和容器水平的正常托运期间的长期温度行为。对每种不同的情况测试了三种不同的温度估计方法。

2． 材料和方法

在这个实验中，两个特征不同的情况用于预测性映射温度，（1）制冷故障；（2）具有8个托盘的满载20英尺集装箱（基于冷藏海运集装箱 ）。制冷故障和日间温度曲线是运输期间通常发生的情况，因此把它们用作获得必要数据以分析不同预测算法的有效测试方法。以缺乏对冰箱的电力供应或甚至在配电中心的电力供应的意外拔出的形式的制冷故障将产生温度偏移，导致产品的剩余保质期的显著损失。正确表征温度趋势是必要的，因为它决定了可用的反应时间以节省产品或延长其保质期。另一方面，日轮廓在制冷系统断开或关闭并且容器内没有气流时在整个容器中提供温度分布。此配置文件将有必要估计产品的保质期，以便在整个供应链中实现最佳决策。

在本研究中使用的硬件是（1）Intelleflex TMT-8500（来自Intelleflex Corporation San Jose，CA，USA的标签）和（2）CAEN RFID A927Z RFID标签（来自CAEN RFID，Viareggio，Italy） 并在整个研究期间下载温度。Intelleflex TMT-8500 RFID标签是一个ISO / IEC 18000-6C 3类标签，工作温度范围为30摄氏度至70摄氏度，精度为plusmn;0.5摄氏度，0.1摄氏度温度分辨率支持电子产品代码（EPC）标准，读取范围可达100 m。使用相同品牌读取器HMR-9090手持读取器（Intelleflex Corporation），多协议，ISO / IEC 18000-6：2010，EPCglobal C1G2下载数据。

CAEN RFID A927Z标签是坚固耐用的半无源超高频（UHF）记录仪，工作温度范围为-30°C至 70°C，具有相同的温度分辨率和精度。对于这个特定的实验，RFID读取器需要在标签的短范围内以便下载数据。

在整个试验中使用单个20英尺的海运集装箱（长5.9米，宽2.3米，高2.4米），包括一个安装的制冷系统和8个装载了草莓和橙子的托盘。草莓由填充有具有类似形状和尺寸的草莓的水的塑料胶囊组成，并且类似地，橙子是填充有水的圆形塑料瓶。图-1显示了冷藏集装箱内的托盘。使用合成产品帮助我们模拟实际产品的热传递目的，而不损坏或改变特性中期。

图-1 参考容器中托盘的顶部

将合成草莓放入商业蛤壳中，每个重约50g，可容纳约10个单位。每个蛤壳包含0.5kg的产品，其中每个盒子放置八个蛤壳。托盘中的每一层都有五个盒子，每个托盘有十层; 它是大约200公斤的合成草莓分布在50箱在每次装载中。最后，在托盘的顶部添加用合成桔子填充的一层盒，每个托盘总共220kg。

在布置托盘时，在每个托盘内放置总共5个RFID标签，两个在下面的倒数第二层，在相对的角落，一个在托盘的正中间，并且剩下两个在托盘顶部的倒数第二层在与下层中的传感器相同的垂直取向，摆放位置如图-2所示。

图-2 托盘上的传感器分布

除了这些放置，18个Intelleflex TMT-8500 RFID标签被放置在托盘之间的容器中（从天花板悬挂在天空中），以记录容器中的空气温度。该特定容器还具有放置在容器内的隔离面板中的单独的有线温度传感器，以显示瞬时温度并设置目标点。该传感器位于后上角，为此，我们在其旁边放置了一个附加的无线标签，用作一些源传感器，用于利用单个传感器建模容器温度的一些估计方法。

一旦托盘和容器被制备和仪器化，三个温度曲线方案将被执行。通过保持制冷系统运行直到整个容器稳定在所需温度（2摄氏度），然后将温度升至30摄氏度以获得陡上升曲线，实现第一曲线。一旦达到恒定的高温，再次打开冷却器，直到温度回到2摄氏度。该温度曲线特别用于估计电容器方法中的时间常数，并且不用于其他两种估计技术。

通过首先将容器的温度稳定在2℃，然后禁用制冷单元，这将模拟更真实的运输系统故障的温度升高，进而获得类似于第一种方案的第二种方案情景。

第三和最后的分布包括在48小时的时间段内的温度变化，其中容器完全关闭而根本没有制冷，仅模拟日常温度变化，类似于在仓库类型中的收容单元的外部存储。

在应用不同的配置文件之后，从RFID标签下载数据并且使用在Matlab软件环境（Matlab R2014a版本，Universidad Politecnica de Madrid许可证）中开发的特别程序进行分析。这里详细描述在介绍部分中简要讨论的三种估计算法。所有温度估计方法的主要目标和性能测量是预测托盘温度更接近实际值，而不是仅仅使用环境传感器作为参考。

2.1 人工神经网络

使用人工神经网络（ANN）来对任何输入输出动态进行建模的主要假设是，两者之间的固有非线性关系（在这种情况下是托盘内的产品温度和环境温度）可以由ANN给出足够的测试样本。重要的是要提到这些类型的学习算法被用于各种各样的科学，但是这些的知识从来没有被应用到本文描述的特定类型的问题。前馈神经网络的结构，其由两个神经元的隐藏层组成以构成3对1输入输出关系，如图-3所示。在本研究中，网络的输入实际上由位于托盘外部的传感器提供的测量环境温度的时间温度数据组成，而输出是放置在托盘内的实际产品周围的时间温度数据。隐藏层由人工神经元组成，当它们的输出传播到下一个隐藏层时，它们对输入进行加权和求和。ANN需要用温度数据的一部分训练以“学习”如何估计其输入和期望输出之间的非线性关系。

ANN用于系统分类或估计目的，其目的是估计给定相应输入值的特定输出值。 例如，在这种情况下，输入值作为测量环境温度的源传感器的时间温度记录获得，并且目的地传感器产生期望的输出值。训练神经网络的主要挑战是存在许多参数，其对估计性能具有显着影响，例如隐藏层的数量，每个隐藏层中的神经元的数量和梯度下降的学习常数用于ANN的反向传播学习。 因此，当

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[138370]，资料为PDF文档或Word文档，PDF文档可免费转换为Word