开云优惠体育网页版入口

专利名称：一种基于理化指标的饲料油脂原料品质预测方法

专利类型：实用新型专利

专利申请号：CN202410666213.1

专利申请（专利权）人：山东创脂生物开云优惠体育网页版入口有限公司
权利人地址：山东省滨州市滨城区滨北梧桐七路、凤凰四路98号

专利发明（设计）人：张燕兵,魏伟,赵世伟,尹华孟

专利摘要：本申请的一种基于理化指标的饲料油脂原料品质预测方法，涉及饲料品质检测技术领域，通过收集不同饲料油脂原料样本的品种数据、加工工艺数据和储存环境参数，并获取理化指标，利用品种数据、加工工艺数据、储存环境参数和理化指标得到理化指标与不同品种、加工工艺和储存环境之间的关系映射模型，实时收集品种数据、加工工艺数据、储存环境参数，预测实时理化指标，计算营养价值参考值，预设营养价值阈值，计算营养价值偏离度和当前时刻的预警指数，当连续r个时刻的预警指数大于预警触发阈值时，发出预警信号，将异常饲料油脂原料进行二次加工，可以更好地预测不同品种、加工工艺和储存环境的饲料油脂原料的品质。

主权利要求：
1.一种基于理化指标的饲料油脂原料品质预测方法，其特征在于，包括：收集不同饲料油脂原料样本的品种数据、加工工艺数据和储存环境参数，并获取饲料油脂原料样本的理化指标；
利用品种数据、加工工艺数据、储存环境参数和理化指标得到饲料油脂原料样本的理化指标与不同品种、加工工艺和储存环境之间的关系映射模型；
实时收集饲料油脂原料的品种数据、加工工艺数据、储存环境参数，利用关系映射模型预测饲料油脂原料的实时理化指标，根据实时理化指标计算饲料油脂原料的营养价值参考值；
预设营养价值阈值，根据营养价值参考值计算营养价值偏离度，结合上一时刻的预警指数，计算当前时刻的预警指数，当连续r个时刻的预警指数大于预警触发阈值时，发出预警信号；
对已发出预警信号的饲料油脂原料作为异常饲料油脂原料从正常批次中分离，分析其预警成因，根据预警成因对异常饲料油脂原料进行二次加工；
所述利用品种数据、加工工艺数据、储存环境参数和理化指标得到饲料油脂原料样本的理化指标与不同品种、加工工艺和储存环境之间的关系映射模型的具体方法为：将不同品种和不同加工工艺的饲料油脂原料样本的品种数据和加工工艺数据进行向量化，得到品种特征向量vs和加工工艺特征向量vp；
对储存环境参数进行归一化处理，得到归一化的储存环境特征向量ve；
将品种特征向量vs、加工工艺特征向量vp和储存环境特征向量ve拼接成综合特征向量vc，以品种特征向量vs、加工工艺特征向量vp和储存环境特征向量ve为第一输入，以对应的综合特征向量vc作为第一输出，将综合特征向量vc与对应的理化指标的时间序列进行配对，构成训练样本，构建品种特征向量vs、加工工艺特征向量vp和储存环境特征向量ve之间的非线性映射模型f(vs,vp,ve)；
对非线性映射模型f(vs,vp,ve)进行训练，通过最小化第一损失函数来优化非线性映射模型的模型参数，得到非线性映射模型的权重矩阵和非线性映射模型的偏置向量；
所述非线性映射模型的模型表达式为：
其中，W1是非线性映射模型的权重矩阵，b1为非线性映射模型的偏置向量， 表示向量拼接操作；
所述第一损失函数为均方误差，计算公式为： 其中，n为训练样
本数，vc,i是第i个训练样本真实的综合特征向量，f(vc,i)是非线性映射模型对第i个训练样本的综合特征向量的预测值；
以前k个时刻的理化指标的时间序列和储存环境特征向量为第二输入，以当前t时刻的理化指标为第二输出，构建动态变化模型g(yt?1,yt?2,...,yt?k,ve)，通过最小化第二损失函数优化动态变化模型的模型参数，得到动态变化模型的系数矩阵、环境特征权重矩阵和动态变化模型的偏置向量；
所述动态变化模型的模型表达式为：
其中，yt表示t时刻的理
化指标，yt?1,yt?2,...,yt?k表示前k个时刻的理化指标的时间序列，W2z表示动态变化模型的系数矩阵，W3表示环境特征权重矩阵，b2表示理化指标的动态变化模型的偏置向量；
所述第二损失函数为均方误差，计算公式为： 其中，yt,i为第i个训练样本在t时刻的真实的理化指标，g(Xt,i,ve,i)是动态变化模型对第i个训练样本的理化指标的输入序列Xt,i和储存环境特征向量ve,i的预测值，理化指标的输入序列Xt,i为前k个时刻的理化指标的时间序列；
以综合特征向量vc、动态变化模型的第二输出和储存环境特征向量作为第三输入，以理化指标作为第三输出，构建关系映射模型，通过最小化第三损失函数来优化模型参数，得到关系映射模型的权重矩阵、关系映射模型的偏置向量和训练好的关系映射模型；
所述关系映射模型的模型表达式为：
其中，h(vc,yt?1,
yt?2,...,yt?k,ve)表示最终的关系映射模型，W4表示关系映射模型的权重矩阵，b3表示关系映射模型的偏置向量；
所述第三损失函数为均方误差，计算公式为： 其
中，h(vc,i,g(Xt,i,ve,i),ve,i)是关系映射模型根据第三输入预测得到的理化指标；
所述实时收集饲料油脂原料的品种数据、加工工艺数据、储存环境参数，利用关系映射模型预测饲料油脂原料的实时理化指标，根据实时理化指标计算饲料油脂原料的营养价值参考值的具体方法为：实时收集饲料油脂原料的品种数据、加工工艺数据、储存环境参数，利用关系映射模型预测饲料油脂原料的实时理化指标，所述实时理化指标包括：实时酸值 实时过氧化值实时水分含量从营养数据库中得到对应的饲料油脂原料的标准理化指标参考值和标准营养价值，所
1 2 3
述标准理化指标参考值包括：酸值参考值Y、过氧化值参考值Y、水分含量参考值Y；
预设营养价值影响因子αj，利用实时理化指标和标准理化指标参考值计算饲料油脂原料的营养价值的估计值；
根据营养价值的估计值计算得到营养价值参考值，所述营养价值参考值Vref的计算公式为： 其中，λ为营养价值的估计值的比例系数，(1?λ)是标准营养价值的比例系数，Vstd表示标准营养价值， 为营养价值的估计值。
2.如权利要求1所述的一种基于理化指标的饲料油脂原料品质预测方法，其特征在于，所述收集不同饲料油脂原料样本的品种数据、加工工艺数据和储存环境参数，并获取饲料油脂原料样本的理化指标的具体方法为：收集涵盖不同品种、不同加工工艺、不同储存环境的饲料油脂原料样本，获取每种饲料油脂原料样本对应的品种数据、加工工艺数据和储存环境参数；
利用化学分析法对饲料油脂原料样本进行成分分析，得到饲料油脂原料的理化指标，所述理化指标包括酸值、过氧化值、水分含量。
3.如权利要求2所述的一种基于理化指标的饲料油脂原料品质预测方法，其特征在于，所述预设营养价值影响因子αj，利用实时理化指标和标准理化指标参考值计算饲料油脂原料的营养价值的估计值的具体方法为：预设营养价值影响因子αj，由营养价值影响因子和实时理化指标进行组合，得到理化指标影响序列 其中 表示t时刻的第m项实时理化指标，m为实时理化指标的总项数；
基于实时理化指标和标准理化指标参考值，以及理化指标影响序列，计算其相似度函数所述相似度函数的计算公式为： 其中， 表示第j项实
j
时理化指标，Y表示第j项标准理化指标参考值；
根据相似度函数计算得到营养价值的估计值
所述营养价值的估计值的计算公式为： 其中，m为实时理化
指标或标准理化指标参考值的指标数，ωj为第j种实时理化指标对应的相似度函数的权重系数，β为基线营养价值。
4.如权利要求3所述的一种基于理化指标的饲料油脂原料品质预测方法，其特征在于，所述预设营养价值阈值，根据营养价值参考值计算营养价值偏离度，结合上一时刻的预警指数，计算当前时刻的预警指数，当连续r个时刻的预警指数大于预警触发阈值时，发出预警信号的具体方法为：收集不同储存时长、不同品种、不同储存环境和不同加工工艺的饲料油脂原料的营养价值参考值，计算所有营养价值参考值的均值 和标准差δ，计算得到营养价值阈值；
所述营养价值阈值包括上限阈值和下限阈值，具体的计算方法为：
所述营养价值阈值的上限阈值为：
所述营养价值阈值的下限阈值为：
对于给定的饲料油脂原料，计算其营养价值偏离度d，所述营养价值偏离度d的计算公式为：计算预警指数ut，所述预警指数的计算公式为：ut＝ε×ut?1+(1?ε)×|dt|，其中，ut表示当前时刻t的预警指数，ut?1表示上一时刻的预警指数，ε为时间衰减因子，dt表示当前时刻t的营养价值偏离度；
当连续r个时刻的预警指数都大于预设的预警触发阈值U时，则向饲料仓储管理人员发出预警信号，提醒饲料仓储管理人员采取相应的品质控制措施。
5.如权利要求4所述的一种基于理化指标的饲料油脂原料品质预测方法，其特征在于，所述对已发出预警信号的饲料油脂原料作为异常饲料油脂原料从正常批次中分离，分析其预警成因，根据预警成因对异常饲料油脂原料进行二次加工的具体方法为：对已发出预警信号的饲料油脂原料将其标记为异常饲料油脂原料，从正常批次中分离，并对其进行品质检测，包括：理化指标分析、污染物检测和微生物检测；
由品质检测的结果分析得到异常饲料油脂原料发出预警信号的预警成因，包括：受潮、微生物污染、杂质污染；
根据预警成因对异常饲料油脂原料进行二次加工，所述二次加工的方法包括：重新精炼、过滤、添加添加剂、改变储存环境；
对于二次加工后的异常饲料油脂原料，再次预测其理化指标，并计算营养价值参考值和预警指数，判断此时的预警指数是否大于预警触发阈值；
当此时的预警指数大于预警触发阈值时，判定该异常饲料油脂原料为不能恢复品质的批次，选择其他合格的饲料油脂原料对其进行替换以维持生产线运作，当此时的预警指数小于等于预警触发阈值时，改变二次加工后的异常饲料油脂原料的储存环境。
6.一种基于理化指标的饲料油脂原料品质预测系统，其特征在于，包括：油脂原料数据收集模块，用于收集不同饲料油脂原料样本的品种数据、加工工艺数据和储存环境参数，并获取饲料油脂原料样本的理化指标；
关系映射模型构建模块，用于利用品种数据、加工工艺数据、储存环境参数和理化指标得到饲料油脂原料样本的理化指标与不同品种、加工工艺和储存环境之间的关系映射模型；
原料营养价值计算模块，用于实时收集饲料油脂原料的品种数据、加工工艺数据、储存环境参数，利用关系映射模型预测饲料油脂原料的实时理化指标，根据实时理化指标计算饲料油脂原料的营养价值参考值；
预警计算和触发模块，用于预设营养价值阈值，根据营养价值参考值计算营养价值偏离度，结合上一时刻的预警指数，计算当前时刻的预警指数，当连续r个时刻的预警指数大于预警触发阈值时，发出预警信号；
成因分析和二次加工模块，用于对已发出预警信号的饲料油脂原料作为异常饲料油脂原料从正常批次中分离，分析其预警成因，根据预警成因对异常饲料油脂原料进行二次加工；
所述利用品种数据、加工工艺数据、储存环境参数和理化指标得到饲料油脂原料样本的理化指标与不同品种、加工工艺和储存环境之间的关系映射模型的具体方法为：将不同品种和不同加工工艺的饲料油脂原料样本的品种数据和加工工艺数据进行向量化，得到品种特征向量vs和加工工艺特征向量vp；
对储存环境参数进行归一化处理，得到归一化的储存环境特征向量ve；
将品种特征向量vs、加工工艺特征向量vp和储存环境特征向量ve拼接成综合特征向量vc，以品种特征向量vs、加工工艺特征向量vp和储存环境特征向量ve为第一输入，以对应的综合特征向量vc作为第一输出，将综合特征向量vc与对应的理化指标的时间序列进行配对，构成训练样本，构建品种特征向量vs、加工工艺特征向量vp和储存环境特征向量ve之间的非线性映射模型f(vs,vp,ve)；
对非线性映射模型f(vs,vp,ve)进行训练，通过最小化第一损失函数来优化非线性映射模型的模型参数，得到非线性映射模型的权重矩阵和非线性映射模型的偏置向量；
所述非线性映射模型的模型表达式为：
其中，W1是非线性映射模型的权重矩阵，b1为非线性映射模型的偏置向量， 表示向量拼接操作；
所述第一损失函数为均方误差，计算公式为： 其中，n为训练样
本数，vc,i是第i个训练样本真实的综合特征向量，f(vc,i)是非线性映射模型对第i个训练样本的综合特征向量的预测值；
以前k个时刻的理化指标的时间序列和储存环境特征向量为第二输入，以当前t时刻的理化指标为第二输出，构建动态变化模型g(yt?1,yt?2,...,yt?k,ve)，通过最小化第二损失函数优化动态变化模型的模型参数，得到动态变化模型的系数矩阵、环境特征权重矩阵和动态变化模型的偏置向量；
所述动态变化模型的模型表达式为：
其中，yt表示t时刻的理
化指标，yt?1,yt?2,...,yt?k表示前k个时刻的理化指标的时间序列，W2z表示动态变化模型的系数矩阵，W3表示环境特征权重矩阵，b2表示理化指标的动态变化模型的偏置向量；
所述第二损失函数为均方误差，计算公式为： 其中，yt,i为第i个训练样本在t时刻的真实的理化指标，g(Xt,i,ve,i)是动态变化模型对第i个训练样本的理化指标的输入序列Xt,i和储存环境特征向量ve,i的预测值，理化指标的输入序列Xt,i为前k个时刻的理化指标的时间序列；
以综合特征向量vc、动态变化模型的第二输出和储存环境特征向量作为第三输入，以理化指标作为第三输出，构建关系映射模型，通过最小化第三损失函数来优化模型参数，得到关系映射模型的权重矩阵、关系映射模型的偏置向量和训练好的关系映射模型；
所述关系映射模型的模型表达式为：
其中，h(vc,yt?1,
yt?2,...,yt?k,ve)表示最终的关系映射模型，W4表示关系映射模型的权重矩阵，b3表示关系映射模型的偏置向量；
所述第三损失函数为均方误差，计算公式为： 其
中，h(vc,i,g(Xt,i,ve,i),ve,i)是关系映射模型根据第三输入预测得到的理化指标；
所述实时收集饲料油脂原料的品种数据、加工工艺数据、储存环境参数，利用关系映射模型预测饲料油脂原料的实时理化指标，根据实时理化指标计算饲料油脂原料的营养价值参考值的具体方法为：实时收集饲料油脂原料的品种数据、加工工艺数据、储存环境参数，利用关系映射模型预测饲料油脂原料的实时理化指标，所述实时理化指标包括：实时酸值 实时过氧化值实时水分含量从营养数据库中得到对应的饲料油脂原料的标准理化指标参考值和标准营养价值，所
1 2 3
述标准理化指标参考值包括：酸值参考值Y、过氧化值参考值Y、水分含量参考值Y；
预设营养价值影响因子αj，利用实时理化指标和标准理化指标参考值计算饲料油脂原料的营养价值的估计值；
根据营养价值的估计值计算得到营养价值参考值，所述营养价值参考值Vref的计算公式为： 其中，λ为营养价值的估计值的比例系数，(1?λ)是标准营养价值的比例系数，Vstd表示标准营养价值， 为营养价值的估计值。
7.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，以实现如权利要求1?5任一项所述的一种基于理化指标的饲料油脂原料品质预测方法中的步骤。
8.一种可读存储介质，其特征在于，所述可读存储介质存储有计算机程序，所述计算机程序适于处理器进行加载，以执行如权利要求1?5任一项所述的一种基于理化指标的饲料油脂原料品质预测方法中的步骤。 说明书 : 一种基于理化指标的饲料油脂原料品质预测方法技术领域[0001] 本申请涉及饲料品质检测技术领域，特别涉及一种基于理化指标的饲料油脂原料品质预测方法。背景技术[0002] 动物饲料是指用于喂养家畜、家禽、水产和其他动物的产品，其主要目的是提供动物所需的营养以保持健康、生长和生产。饲料的基本组成通常包括：蛋白质、碳水化合物、油脂、维生素和矿物质、添加剂。饲料油脂在动物饲料中扮演着多重角色：油脂是能量密度高的饲料组分，能提供比碳水化合物和蛋白质更多的能量；油脂助于脂溶性维生素的吸收，对动物的生长和繁殖至关重要；油脂增加饲料的可口性，促进动物的摄食量。[0003] 传统的油脂品质检测方法通过使用化学分析法测定油脂中的自由脂肪酸含量、过氧化物的含量和油脂中的水分和杂质，利用仪器分析法分析油脂的脂肪酸组成，测定油脂中的特定化合物如维生素或色素，检测油脂中的功能团，评估品质，随着技术的进步，机器学习正在成为饲料品质检测技术领域的一个重要工具，机器学习模型可以从大量的数据中学习，并预测油脂的品质。[0004] 然而饲料油脂原料种类繁多，不同品种、加工工艺的油脂理化特性差异大，饲料油脂原料易受储存环境影响，品质具有一定的动态变化性，而且不同品种、不同加工工艺的饲料油脂原料被存储环境影响的受影响程度也不一样，传统的单一的机器学习模型难以准确预测不同品种、加工工艺的饲料油脂原料的品质。发明内容[0005] 本申请旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本申请的一个目的在于提出一种基于理化指标的饲料油脂原料品质预测方法，可以更好地预测不同品种、加工工艺和储存环境的饲料油脂原料的品质。[0006] 本申请的一个方面提供了一种基于理化指标的饲料油脂原料品质预测方法，包括：[0007] 步骤S100：收集不同饲料油脂原料样本的品种数据、加工工艺数据和储存环境参数，并获取饲料油脂原料样本的理化指标；[0008] 所述收集不同饲料油脂原料样本的品种数据、加工工艺数据和储存环境参数，并获取饲料油脂原料样本的理化指标的具体方法为：[0009] 步骤S110：收集涵盖不同品种、不同加工工艺、不同储存环境的饲料油脂原料样本，获取每种饲料油脂原料样本对应的品种数据、加工工艺数据和储存环境参数；[0010] 步骤S120：利用化学分析法对饲料油脂原料样本进行成分分析，得到饲料油脂原料的理化指标，所述理化指标包括酸值、过氧化值、水分含量；[0011] 步骤S200：利用品种数据、加工工艺数据、储存环境参数和理化指标得到饲料油脂原料样本的理化指标与不同品种、加工工艺和储存环境之间的关系映射模型；[0012] 所述利用品种数据、加工工艺数据、储存环境参数和理化指标得到饲料油脂原料样本的理化指标与不同品种、加工工艺和储存环境之间的关系映射模型的具体方法为：[0013] 步骤S210：将不同品种和不同加工工艺的饲料油脂原料样本的品种数据和加工工艺数据进行向量化，得到品种特征向量Vs和加工工艺特征向量Vp；[0014] 步骤S220：对储存环境参数进行归一化处理，得到归一化的储存环境特征向量Ve；[0015] 步骤S230：将品种特征向量Vs、加工工艺特征向量Vp和储存环境特征向量Ve拼接成综合特征向量Vc，以品种特征向量Vs、加工工艺特征向量Vp和储存环境特征向量Ve为第一输入，以对应的综合特征向量Vc作为第一输出，将综合特征向量Vc与对应的理化指标的时间序列进行配对，构成训练样本，构建品种特征向量Vs、加工工艺特征向量Vp和储存环境特征向量ve之间的非线性映射模型f(vs，vp，ve)；[0016] 步骤S240：对非线性映射模型f(vs，vp，ve)进行训练，通过最小化第一损失函数来优化非线性映射模型的模型参数，得到非线性映射模型的权重矩阵和非线性映射模型的偏置向量；[0017] 所述非线性映射模型的模型表达式为：其中，W1是非线性映射模型的权重矩阵，b1为非线性映射模型的偏置向量， 表示向量拼接操作；[0018] 所述第一损失函数为均方误差，计算公式为： 其中，n为训练样本数，vc，i是第i个训练样本真实的综合特征向量，f(vc，i)是非线性映射模型对第i个训练样本的综合特征向量的预测值；[0019] 步骤S250：以前k个时刻的理化指标的时间序列和储存环境特征向量为第二输入，以当前t时刻的理化指标为第二输出，构建动态变化模型g(yt?1，yt?2，...，yt?k，Ve)，通过最小化第二损失函数优化动态变化模型的模型参数，得到动态变化模型的系数矩阵、环境特征权重矩阵和动态变化模型的偏置向量；[0020] 所述动态变化模型的模型表达式为：其中，yt表示t时刻的理化指标，yt?1，yt?2，...，yt?k表示前k个时刻的理化指标的时间序列，W2z表示动态变化模型的系数矩阵，W3表示环境特征权重矩阵，b2表示理化指标的动态变化模型的偏置向量；[0021] 所述第二损失函数为均方误差，计算公式为： 其中，yt，i为第i个训练样本在t时刻的真实的理化指标，g(Xt，i，ve，i)是动态变化模型对第i个训练样本的理化指标的输入序列Xt，i和储存环境特征向量ve，i的预测值，理化指标的输入序列Xt，i为前k个时刻的理化指标的时间序列；[0022] 步骤S260：以综合特征向量Vc、动态变化模型的第二输出和储存环境特征向量作为第三输入，以理化指标作为第三输出，构建关系映射模型，通过最小化第三损失函数来优化模型参数，得到关系映射模型的权重矩阵、关系映射模型的偏置向量和训练好的关系映射模型；[0023] 所述关系映射模型的模型表达式为：，其中，h(Vc，yt?1，yt?2，...，yt?k，Ve)表示最终的关系映射模型，W4表示关系映射模型的权重矩阵，b3表示关系映射模型的偏置向量；[0024] 所述第三损失函数为均方误差，计算公式为：其中，h(vc，i，g(Xt，i，ve，i)，ve，i)是关系映射模型根据第三输入预测得到的理化指标；[0025] 步骤S300：实时收集饲料油脂原料的品种数据、加工工艺数据、储存环境参数，利用关系映射模型预测饲料油脂原料的实时理化指标，根据实时理化指标计算饲料油脂原料的营养价值参考值；[0026] 所述实时收集饲料油脂原料的品种数据、加工工艺数据、储存环境参数，利用关系映射模型预测饲料油脂原料的实时理化指标，根据实时理化指标计算饲料油脂原料的营养价值参考值的具体方法为：[0027] 步骤S310：实时收集饲料油脂原料的品种数据、加工工艺数据、储存环境参数，利用关系映射模型预测饲料油脂原料的实时理化指标，所述实时理化指标包括但不限于：实时酸值 实时过氧化值 实时水分含量[0028] 步骤S320：从营养数据库中得到对应的饲料油脂原料的标准理化指标参考值和标1 2准营养价值，所述标准理化指标参考值包括但不限于：酸值参考值Y 、过氧化值参考值Y、水3分含量参考值Y；[0029] 步骤S330：预设营养价值影响因子αj，利用实时理化指标和标准理化指标参考值计算饲料油脂原料的营养价值的估计值；[0030] 所述预设营养价值影响因子αj，利用实时理化指标和标准理化指标参考值计算饲料油脂原料的营养价值的估计值的具体方法为：[0031] 步骤S331：预设营养价值影响因子αj，由营养价值影响因子和实时理化指标进行组合，得到理化指标影响序列 其中 表示t时刻的第m项实时理化指标，m为实时理化指标的总项数；[0032] 步骤S332：基于实时理化指标和标准理化指标参考值，以及理化指标影响序列，计算其相似度函数[0033] 所述相似度函数的计算公式为： 其中， 表示第jj项实时理化指标，Y表示第j项标准理化指标参考值；[0034] 步骤S333：根据相似度函数计算得到营养价值的估计值[0035] 所述营养价值的估计值的计算公式为： 其中，m为实时理化指标或标准理化指标参考值的指标数，ωj为第j种实时理化指标对应的相似度函数的权重系数，β为基线营养价值；[0036] 步骤S340：根据营养价值的估计值计算得到营养价值参考值，所述营养价值参考值Vref的计算公式为： 其中，λ为营养价值的估计值的比例系数，(1?λ)是标准营养价值的比例系数，Vstd表示标准营养价值， 为营养价值的估计值；[0037] 步骤S400：预设营养价值阈值，根据营养价值参考值计算营养价值偏离度，结合上一时刻的预警指数，计算当前时刻的预警指数，当连续r个时刻的预警指数大于预警触发阈值时，发出预警信号；[0038] 所述预设营养价值阈值，根据营养价值参考值计算营养价值偏离度，结合上一时刻的预警指数，计算当前时刻的预警指数，当连续r个时刻的预警指数大于预警触发阈值时，发出预警信号的具体方法为：[0039] 步骤S410：收集不同储存时长、不同品种、不同储存环境和不同加工工艺的饲料油脂原料的营养价值参考值，计算所有营养价值参考值的均值 和标准差δ，计算得到营养价值阈值；[0040] 所述营养价值阈值包括上限阈值和下限阈值，具体的计算方法为：[0041] 所述营养价值阈值的上限阈值为：[0042] 所述营养价值阈值的下限阈值为：[0043] 步骤S420：对于给定的饲料油脂原料，计算其营养价值偏离度d，所述营养价值偏离度d的计算公式为：[0044] 步骤S430：计算预警指数ut，所述预警指数的计算公式为：ut＝ε×ut?1+(1?ε)×|dt|，其中，ut表示当前时刻t的预警指数，ut?1表示上一时刻的预警指数，ε为时间衰减因子，dt表示当前时刻t的营养价值偏离度；[0045] 步骤S440：当连续r个时刻的预警指数都大于预设的预警触发阈值U时，则向饲料仓储管理人员发出预警信号，提醒饲料仓储管理人员采取相应的品质控制措施；[0046] 步骤S500：对已发出预警信号的饲料油脂原料作为异常饲料油脂原料从正常批次中分离，分析其预警成因，根据预警成因对异常饲料油脂原料进行二次加工；[0047] 所述对已发出预警信号的饲料油脂原料作为异常饲料油脂原料从正常批次中分离，分析其预警成因，根据预警成因对异常饲料油脂原料进行二次加工的具体方法为：[0048] 步骤S510：对已发出预警信号的饲料油脂原料将其标记为异常饲料油脂原料，从正常批次中分离，并对其进行品质检测，包括但不限于：理化指标分析、污染物检测和微生物检测；[0049] 步骤S520：由品质检测的结果分析得到异常饲料油脂原料发出预警信号的预警成因，包括但不限于：受潮、微生物污染、杂质污染；[0050] 步骤S530：根据预警成因对异常饲料油脂原料进行二次加工，所述二次加工的方法包括但不限于：重新精炼、过滤、添加添加剂、改变储存环境；[0051] 步骤S540：对于二次加工后的异常饲料油脂原料，再次预测其理化指标，并计算营养价值参考值和预警指数，判断此时的预警指数是否大于预警触发阈值；[0052] 步骤S550：当此时的预警指数大于预警触发阈值时，判定该异常饲料油脂原料为不能恢复品质的批次，选择其他合格的饲料油脂原料对其进行替换以维持生产线运作，当此时的预警指数小于等于预警触发阈值时，改变二次加工后的异常饲料油脂原料的储存环境。[0053] 本申请的一个方面提供了一种基于理化指标的饲料油脂原料品质预测系统，包括：[0054] 油脂原料数据收集模块，用于收集不同饲料油脂原料样本的品种数据、加工工艺数据和储存环境参数，并获取饲料油脂原料样本的理化指标；[0055] 关系映射模型构建模块，用于利用品种数据、加工工艺数据、储存环境参数和理化指标得到饲料油脂原料样本的理化指标与不同品种、加工工艺和储存环境之间的关系映射模型；[0056] 原料营养价值计算模块，用于实时收集饲料油脂原料的品种数据、加工工艺数据、储存环境参数，利用关系映射模型预测饲料油脂原料的实时理化指标，根据实时理化指标计算饲料油脂原料的营养价值参考值；[0057] 预警计算和触发模块，用于预设营养价值阈值，根据营养价值参考值计算营养价值偏离度，结合上一时刻的预警指数，计算当前时刻的预警指数，当连续r个时刻的预警指数大于预警触发阈值时，发出预警信号；[0058] 成因分析和二次加工模块，用于对已发出预警信号的饲料油脂原料作为异常饲料油脂原料从正常批次中分离，分析其预警成因，根据预警成因对异常饲料油脂原料进行二次加工。[0059] 本申请的一个方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，以实现一种基于理化指标的饲料油脂原料品质预测方法中的步骤。[0060] 本申请的一个方面提供了一种可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序适于处理器进行加载，以执行一种基于理化指标的饲料油脂原料品质预测方法中的步骤。[0061] 本申请提出的一种基于理化指标的饲料油脂原料品质预测方法相对于现有技术，具备以下优点：[0062] 本申请通过构建非线性映射模型、动态变化模型和关系映射模型，捕捉品种、加工工艺和储存环境之间的复杂联系和非线性关系，跟踪理化指标随时间的变化，综合考虑了品种、加工工艺、储存环境以及理化指标的动态变化趋势，三个模型的输出既有区别又有联系，通过逐步建：陀呕，最终得到了对理化指标的准确预测，提高了预测的准确性，更准确地分析储存环境对不同品种、加工工艺的饲料油脂原料的影响；[0063] 本申请通过实时收集饲料油脂原料的品种数据、加工工艺数据及储存环境数据，能够即时反应原料状态的任何变化，这比传统的检测方法更为先进和实用，使用关系映射模型预测实时理化指标，对材料质量进行更准确的即时评估，整个方法提供的数据和分析可以直接支持生产决策；[0064] 本申请通过连续监测营养价值偏离度和预警指数，该系统能够实时评估饲料油脂原料的品质状况，及时发现问题并预警，这比传统的定期检查更加高效，利用均值和标准差来设定营养价值的上限阈值和下限阈值，这种方法可以更科学地反映不同条件下饲料油脂原料的正常营养价值范围，从而提高预警的准确性，预警指数的计算不仅考虑当前时刻的营养价值偏离度，还结合了上一时刻的预警指数，通过时间衰减因子来调整影响力，这种方法使得预警系统具有一定的记忆性和自适应性，能够更平滑地处理数据波动。附图说明[0065] 图1为本申请提供的一种基于理化指标的饲料油脂原料品质预测方法的方法流程图；[0066] 图2为本申请提供的一种基于理化指标的饲料油脂原料品质预测方法的时序逻辑图；[0067] 图3为本申请提供的一种基于理化指标的饲料油脂原料品质预测系统的功能模块图；[0068] 图4为本申请提供的一种电子设备的结构示意图；[0069] 图5是本申请提供的一种可读存储介质结构示意图。具体实施方式[0070] 为了更好地理解本申请，将参考附图对本申请的各个方面作出更详细的说明。应理解，这些详细说明只是对本申请的示例性实施方式的描述，而非以任何方式限制本申请的范围。在说明书全文中，相同的附图标号指代相同的元件。表述“和/或”包括相关联的所列项目中的一个或多个的任何和全部组合。[0071] 在附图中，为了便于说明，已稍微调整了元素的大小、尺寸和形状。附图仅为示例而并非严格按比例绘制。如在本文中使用的，用语“大致”“大约”以及类似的用语用作表近似的用语，而不用作表程度的用语，并且旨在说明将由本领域普通技术人员认识到的、测量值或计算值中的固有偏差。另外，在本申请中，各步骤处理描述的先后顺序并不必然表示这些处理在实际操作中出现的顺序，除非有明确其它限定或者能够从上下文推导出的除外。[0072] 还应理解的是，诸如“包括”“包括有”“具有”“包含”和/或“包含有”等表述在本说明书中是开放性而非封闭性的表述，其表示存在所陈述的特征、元件和/或部件，但不排除一个或多个其它特征、元件、部件和/或它们的组合的存在。此外，当诸如“...中的至少一个”的表述出现在所列特征的列表之后时，其修饰整列特征，而非仅仅修饰列表中的单独元件。此外，当描述本申请的实施方式时，使用“可”表示“本申请的一个或多个实施方式”。并且，用语“示例性的”旨在指代示例或举例说明。[0073] 除非另外限定，否则本文中使用的所有措辞(包括工程术语和开云优惠体育网页版入口术语)均具有与本申请所属领域普通技术人员的通常理解相同的含义。还应理解的是，除非本申请中有明确的说明，否则在常用词典中定义的词语应被解释为具有与它们在相关技术的上下文中的含义一致的含义，而不应以理想化或过于形式化的意义解释。[0074] 需要说明的是，在不冲突的情况下，本申请中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本申请。[0075] 实施例1[0076] 如图1?图2所示，为本申请提供的一种基于理化指标的饲料油脂原料品质预测方法，包括：[0077] 步骤S100：收集不同饲料油脂原料样本的品种数据、加工工艺数据和储存环境参数，并获取饲料油脂原料样本的理化指标；[0078] 所述收集不同饲料油脂原料样本的品种数据、加工工艺数据和储存环境参数，并获取饲料油脂原料样本的理化指标的具体方法为：[0079] 步骤S110：收集涵盖不同品种、不同加工工艺、不同储存环境的饲料油脂原料样本，获取每种饲料油脂原料样本对应的品种数据、加工工艺数据和储存环境参数；[0080] 步骤S120：利用化学分析法对饲料油脂原料样本进行成分分析，得到饲料油脂原料的理化指标，所述理化指标包括酸值、过氧化值、水分含量；[0081] 本步骤通过化学分析法对饲料油脂原料样本进行成分分析，并获取理化指标，并收集了饲料油脂原料样本的各种相关数据，为饲料油脂原料的质量评估提供了基础数据；[0082] 步骤S200：利用品种数据、加工工艺数据、储存环境参数和理化指标得到饲料油脂原料样本的理化指标与不同品种、加工工艺和储存环境之间的关系映射模型；[0083] 所述利用品种数据、加工工艺数据、储存环境参数和理化指标得到饲料油脂原料样本的理化指标与不同品种、加工工艺和储存环境之间的关系映射模型的具体方法为：[0084] 步骤S210：将不同品种和不同加工工艺的饲料油脂原料样本的品种数据和加工工艺数据进行向量化，得到品种特征向量Vs和加工工艺特征向量Vp；[0085] 步骤S220：对储存环境参数进行归一化处理，得到归一化的储存环境特征向量Ve；[0086] 步骤S230：将品种特征向量Vs、加工工艺特征向量Vp和储存环境特征向量Ve拼接成综合特征向量Vc，以品种特征向量Vs、加工工艺特征向量Vp和储存环境特征向量Ve为第一输入，以对应的综合特征向量Vc作为第一输出，将综合特征向量Vc与对应的理化指标的时间序列进行配对，构成训练样本，构建品种特征向量Vs、加工工艺特征向量Vp和储存环境特征向量Ve之间的非线性映射模型f(vs，vp，ve)；[0087] 步骤S240：对非线性映射模型f(vs，vp，ve)进行训练，通过最小化第一损失函数来优化非线性映射模型的模型参数，得到非线性映射模型的权重矩阵和非线性映射模型的偏置向量；[0088] 所述非线性映射模型是用于根据品种特征向量Vs、加工工艺特征向量Vp和储存环境特征向量Ve预测综合特征向量Vc的机器学习模型，反映了品种、加工工艺和储存环境对理化指标的综合影响；[0089] 所述非线性映射模型的模型表达式为：其中，W1是非线性映射模型的权重矩阵，b1为非线性映射模型的偏置向量， 表示向量拼接操作；[0090] 优选地，所述非线性映射模型的初始模型选择神经网络模型；[0091] 所述第一损失函数为均方误差，计算公式为： 其中，n为训练样本数，vc，i是第i个训练样本真实的综合特征向量，f(vc，i)是非线性映射模型对第i个训练样本的综合特征向量的预测值；[0092] 本步骤创建一个包含所有必要特征的综合特征向量，这有助于捕捉不同输入特征之间的相互作用；[0093] 步骤S250：以前k个时刻的理化指标的时间序列和储存环境特征向量为第二输入，以当前t时刻的理化指标为第二输出，构建动态变化模型g(yt?1，yt?2，...，yt?k，Ve)，通过最小化第二损失函数优化动态变化模型的模型参数，得到动态变化模型的系数矩阵、环境特征权重矩阵和动态变化模型的偏置向量；[0094] 所述动态变化模型g(yt?1，yt?2，...，yt?k，Ve)是用于根据t时刻的前k个时刻的理化指标和储存环境特征向量预测t时刻的理化指标yt的机器学习模型，反映了理化指标的动态变化趋势；[0095] 所述动态变化模型的模型表达式为：其中，yt表示t时刻的理化指标，yt?1，yt?2，...，yt?k表示前k个时刻的理化指标的时间序列，W2z表示动态变化模型的系数矩阵，W3表示环境特征权重矩阵，b2表示理化指标的动态变化模型的偏置向量；[0096] 优选地，所述动态变化模型的初始模型选择LSTM模型；[0097] 所述第二损失函数为均方误差，计算公式为： 其中，yt，i为第i个训练样本在t时刻的真实的理化指标，g(Xt，i，ve，i)是动态变化模型对第i个训练样本的理化指标的输入序列Xt，i和储存环境特征向量ve，i的预测值，理化指标的输入序列Xt，i为前k个时刻的理化指标的时间序列；[0098] 本步骤通过模拟理化指标随时间的变化，进一步理解时间因素对理化指标的影响；[0099] 步骤S260：以综合特征向量Vc、动态变化模型的第二输出和储存环境特征向量作为第三输入，以理化指标作为第三输出，构建关系映射模型，通过最小化第三损失函数来优化模型参数，得到关系映射模型的权重矩阵、关系映射模型的偏置向量和训练好的关系映射模型；[0100] 所述关系映射模型是根据综合特征向量Vc、动态变化模型的第二输出和储存环境特征向量预测理化指标的机器学习模型，综合考虑了品种、加工工艺、储存环境以及理化指标的动态变化趋势对理化指标的影响，是对理化指标的最终预测；[0101] 所述关系映射模型的模型表达式为：，其中，h(vc，yt?1，yt?2，...，yt?k，Ve)表示最终的关系映射模型，W4表示关系映射模型的权重矩阵，b3表示关系映射模型的偏置向量；[0102] 优选地，所述关系映射模型的初始模型选择神经网络模型；[0103] 所述第三损失函数为均方误差，计算公式为：其中，h(vc，i，g(Xt，i，ve，i)，ve，i)是关系映射模型根据第三输入预测得到的理化指标；[0104] 本步骤通过提供一个全面的工具来预测理化指标，考虑了所有相关因素，包括品种特征、加工技术、储存条件及其动态变化；[0105] 上述步骤通过逐步构建和细化模型，使得最终模型能够准确预测并理解各种因素如何共同影响饲料油脂原料的理化指标；[0106] 步骤S300：实时收集饲料油脂原料的品种数据、加工工艺数据、储存环境参数，利用关系映射模型预测饲料油脂原料的实时理化指标，根据实时理化指标计算饲料油脂原料的营养价值参考值；[0107] 所述实时收集饲料油脂原料的品种数据、加工工艺数据、储存环境参数，利用关系映射模型预测饲料油脂原料的实时理化指标，根据实时理化指标计算饲料油脂原料的营养价值参考值的具体方法为：[0108] 步骤S310：实时收集饲料油脂原料的品种数据、加工工艺数据、储存环境参数，利用关系映射模型预测饲料油脂原料的实时理化指标，所述实时理化指标包括但不限于：实时酸值 实时过氧化值 实时水分含量[0109] 步骤S320：从营养数据库中得到对应的饲料油脂原料的标准理化指标参考值和标1 2准营养价值，所述标准理化指标参考值包括但不限于：酸值参考值Y 、过氧化值参考值Y、水3分含量参考值Y；[0110] 步骤S330：预设营养价值影响因子αj，利用实时理化指标和标准理化指标参考值计算饲料油脂原料的营养价值的估计值；[0111] 所述预设营养价值影响因子αj，利用实时理化指标和标准理化指标参考值计算饲料油脂原料的营养价值的估计值的具体方法为：[0112] 步骤S331：预设营养价值影响因子αj，由营养价值影响因子和实时理化指标进行组合，得到理化指标影响序列 其中 表示t时刻的第m项实时理化指标，m为实时理化指标的总项数；[0113] 所述营养价值影响因子是指理化指标对营养价值的影响因子；[0114] 步骤S332：基于实时理化指标和标准理化指标参考值，以及理化指标影响序列，计算其相似度函数[0115] 所述相似度函数的计算公式为： 其中， 表示第jj项实时理化指标，Y表示第j项标准理化指标参考值；[0116] 步骤S333：根据相似度函数计算得到营养价值的估计值[0117] 所述营养价值的估计值的计算公式为： 其中，m为实时理化指标或标准理化指标参考值的指标数，ωj为第j种实时理化指标对应的相似度函数的权重系数，β为基线营养价值；[0118] 所述基线营养价值是指营养价值的基准值；[0119] 优选地，m等于3；[0120] 步骤S340：根据营养价值的估计值计算得到营养价值参考值，所述营养价值参考值Vref的计算公式为： 其中，λ为营养价值的估计值的比例系数，(1?λ)是标准营养价值的比例系数，Vstd表示标准营养价值， 为营养价值的估计值；[0121] 所述营养价值的估计值的比例系数λ的大小根据专家经验或实验进行设定；[0122] 本步骤结合了实时数据收集、预测模型应用、营养数据库查询及营养价值计算，从而在生产和加工过程中提供关键信息，通过提供实时监控和预测，有助于即时调整生产过程以保证产品质量，减少生产损失和提高效率，通过提供一个量化的、可对比的营养价值指标，有助于消费者了解产品的营养价值，同时为市场营销提供支持；[0123] 步骤S400：预设营养价值阈值，根据营养价值参考值计算营养价值偏离度，结合上一时刻的预警指数，计算当前时刻的预警指数，当连续r个时刻的预警指数大于预警触发阈值时，发出预警信号；[0124] 所述预设营养价值阈值，根据营养价值参考值计算营养价值偏离度，结合上一时刻的预警指数，计算当前时刻的预警指数，当连续r个时刻的预警指数大于预警触发阈值时，发出预警信号的具体方法为：[0125] 步骤S410：收集不同储存时长、不同品种、不同储存环境和不同加工工艺的饲料油脂原料的营养价值参考值，计算所有营养价值参考值的均值 和标准差δ，计算得到营养价值阈值；[0126] 所述营养价值阈值包括上限阈值和下限阈值，具体的计算方法为：[0127] 所述营养价值阈值的上限阈值为：[0128] 所述营养价值阈值的下限阈值为：[0129] 步骤S420：对于给定的饲料油脂原料，计算其营养价值偏离度d，所述营养价值偏离度d的计算公式为：[0130] 所述营养价值偏离度d表示给定的饲料油脂原料的营养价值参考值与营养价值阈值的偏离程度；[0131] 步骤S430：计算预警指数ut，所述预警指数的计算公式为：ut＝ε×ut?1+(1?ε)×|dt|，其中，ut表示当前时刻t的预警指数，ut?1表示上一时刻的预警指数，ε为时间衰减因子，dt表示当前时刻t的营养价值偏离度；[0132] 所述时间衰减因子ε∈(0，1]，表示历史时间的预警指数随着时间衰减的速度；[0133] 步骤S440：当连续r个时刻的预警指数都大于预设的预警触发阈值U时，则向饲料仓储管理人员发出预警信号，提醒饲料仓储管理人员采取相应的品质控制措施；[0134] 所述预警触发阈值U由本领域技术人员根据具体应用需求确定；[0135] 上述步骤确保了饲料的品质控制与风险管理，是维护产品质量和安全的重要手段，确立阈值允许系统识别和预警那些偏离正常营养价值范围的情况，从而防止不合格产品流入市。Ｕ隙锝】岛褪称钒踩，偏离度的计算为后续的预警提供了直接依据，有助于及时发现产品质量问题，减少经济损失和潜在的健康风险，及时的预警信号能够促使仓储管理人员快速响应，从而保持产品的高质量标准；[0136] 步骤S500：对已发出预警信号的饲料油脂原料作为异常饲料油脂原料从正常批次中分离，分析其预警成因，根据预警成因对异常饲料油脂原料进行二次加工；[0137] 所述对已发出预警信号的饲料油脂原料作为异常饲料油脂原料从正常批次中分离，分析其预警成因，根据预警成因对异常饲料油脂原料进行二次加工的具体方法为：[0138] 步骤S510：对已发出预警信号的饲料油脂原料将其标记为异常饲料油脂原料，从正常批次中分离，并对其进行品质检测，包括但不限于：理化指标分析、污染物检测和微生物检测；[0139] 步骤S520：由品质检测的结果分析得到异常饲料油脂原料发出预警信号的预警成因，包括但不限于：受潮、微生物污染、杂质污染；[0140] 步骤S530：根据预警成因对异常饲料油脂原料进行二次加工，所述二次加工的方法包括但不限于：重新精炼、过滤、添加添加剂、改变储存环境；[0141] 步骤S540：对于二次加工后的异常饲料油脂原料，再次预测其理化指标，并计算营养价值参考值和预警指数，判断此时的预警指数是否大于预警触发阈值；[0142] 步骤S550：当此时的预警指数大于预警触发阈值时，判定该异常饲料油脂原料为不能恢复品质的批次，选择其他合格的饲料油脂原料对其进行替换以维持生产线运作，当此时的预警指数小于等于预警触发阈值时，改变二次加工后的异常饲料油脂原料的储存环境；[0143] 对于已经经历品质衰退的饲料油脂原料，虽然不能完全恢复到原始状态，但还是有一些方法可以尝试改善其品质，通过先对饲料油脂原料进行全面的品质检测，以确定适用的处理方法；[0144] 上述步骤构建了一个综合的处理流程，用于处理和改善已发出预警信号的饲料油脂原料，不仅有助于恢复或提升异常原料的品质，还确保了生产线的稳定运行和产品的品质安全。[0145] 实施例2[0146] 如图3所示，为本申请提供的一种基于理化指标的饲料油脂原料品质预测系统，包括：[0147] 油脂原料数据收集模块，用于收集不同饲料油脂原料样本的品种数据、加工工艺数据和储存环境参数，并获取饲料油脂原料样本的理化指标；[0148] 关系映射模型构建模块，用于利用品种数据、加工工艺数据、储存环境参数和理化指标得到饲料油脂原料样本的理化指标与不同品种、加工工艺和储存环境之间的关系映射模型；[0149] 原料营养价值计算模块，用于实时收集饲料油脂原料的品种数据、加工工艺数据、储存环境参数，利用关系映射模型预测饲料油脂原料的实时理化指标，根据实时理化指标计算饲料油脂原料的营养价值参考值；[0150] 预警计算和触发模块，用于预设营养价值阈值，根据营养价值参考值计算营养价值偏离度，结合上一时刻的预警指数，计算当前时刻的预警指数，当连续r个时刻的预警指数大于预警触发阈值时，发出预警信号；[0151] 成因分析和二次加工模块，用于对已发出预警信号的饲料油脂原料作为异常饲料油脂原料从正常批次中分离，分析其预警成因，根据预警成因对异常饲料油脂原料进行二次加工。[0152] 实施例3[0153] 图4是本申请一个实施例提供的电子设备结构示意图。如图4所示，根据本申请的又一方面还提供了一种电子设备。该电子设备可包括一个或多个处理器以及一个或多个存储器。其中，存储器中存储有计算机可读代码，计算机可读代码当由一个或多个处理器运行时，可以执行如上所述的一种基于理化指标的饲料油脂原料品质预测方法。[0154] 根据本申请实施方式的方法或系统也可以借助于图4所示的电子设备的架构来实现。如图4所示，电子设备可包括总线、一个或多个CPU、只读存储器(ROM)、随机存取存储器(RAM)、连接到网络的通信端口、输入/输出组件、硬盘等。电子设备中的存储设备，例如ROM或硬盘可存储本申请提供的一种基于理化指标的饲料油脂原料品质预测方法。一种基于理化指标的饲料油脂原料品质预测方法可例如包括：收集不同饲料油脂原料样本的品种数据、加工工艺数据和储存环境参数，并获取饲料油脂原料样本的理化指标；利用品种数据、加工工艺数据、储存环境参数和理化指标得到饲料油脂原料样本的理化指标与不同品种、加工工艺和储存环境之间的关系映射模型；实时收集饲料油脂原料的品种数据、加工工艺数据、储存环境参数，利用关系映射模型预测饲料油脂原料的实时理化指标，根据实时理化指标计算饲料油脂原料的营养价值参考值；预设营养价值阈值，根据营养价值参考值计算营养价值偏离度，结合上一时刻的预警指数，计算当前时刻的预警指数，当连续r个时刻的预警指数大于预警触发阈值时，发出预警信号；对已发出预警信号的饲料油脂原料作为异常饲料油脂原料从正常批次中分离，分析其预警成因，根据预警成因对异常饲料油脂原料进行二次加工。进一步地，电子设备还可包括用户界面。当然，图4所示的架构只是示例性的，在实现不同的设备时，根据实际需要，可以省略图4示出的电子设备中的一个或多个组件。[0155] 实施例4[0156] 图5是本申请一个实施例提供的可读存储介质结构示意图。如图5所示，是根据本申请一个实施方式的可读存储介质。计算机可读存储介质上存储有计算机可读指令。当计算机可读指令由处理器运行时，可执行参照以上附图描述的根据本申请实施方式的一种基于理化指标的饲料油脂原料品质预测方法。存储介质包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可包括随机存取存储器(RAM)和高速缓冲存储器(cache)等。非易失性存储器例如可包括只读存储器(ROM)、硬盘、闪存等。[0157] 另外，根据本申请的实施方式，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质存储有机器可读指令，所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令，例如：收集不同饲料油脂原料样本的品种数据、加工工艺数据和储存环境参数，并获取饲料油脂原料样本的理化指标；利用品种数据、加工工艺数据、储存环境参数和理化指标得到饲料油脂原料样本的理化指标与不同品种、加工工艺和储存环境之间的关系映射模型；实时收集饲料油脂原料的品种数据、加工工艺数据、储存环境参数，利用关系映射模型预测饲料油脂原料的实时理化指标，根据实时理化指标计算饲料油脂原料的营养价值参考值；预设营养价值阈值，根据营养价值参考值计算营养价值偏离度，结合上一时刻的预警指数，计算当前时刻的预警指数，当连续r个时刻的预警指数大于预警触发阈值时，发出预警信号；对已发出预警信号的饲料油脂原料作为异常饲料油脂原料从正常批次中分离，分析其预警成因，根据预警成因对异常饲料油脂原料进行二次加工。在该计算机程序被中央处理单元(CPU)执行时，执行本申请的方法中限定的上述功能。[0158] 可能以许多方式来实现本申请的方法和装置、设备。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本申请的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明，本申请的方法的步骤不限于以上具体描述的顺序，除非以其他方式特别说明。此外，在一些实施例中，还可将本申请实施为记录在记录介质中的程序，这些程序包括用于实现根据本申请的方法的机器可读指令。因而，本申请还覆盖存储用于执行根据本申请的方法的程序的记录介质。[0159] 另外，本申请的实施方式中提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。[0160] 如上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明。应理解的是，以上所述仅为本发明的具体实施方式，并不用于限制本发明。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等均应包含在本发明的保护范围之内。

专利地区：山东

专利申请日期：2024-05-27

专利公开日期：2024-11-22

专利公告号：CN118569716B