数据驱动的虚拟传感器系统在食品供应链动态温度监测中的应用研究

《Journal of Stored Products Research》：Data-driven virtual sensor systems for dynamic temperature monitoring along food supply chains

本研究针对食品供应链中温度监测成本高、传感器部署受限的难题，开发了一种基于深度学习的虚拟传感器系统（DD-VSS）。通过整合多源数据，该系统能够以少量物理传感器实现对不可达位置的温度精准估计，在保持均方根误差（RMSE）低于0.3?°C的同时，将虚拟与物理传感器比例提升至32:1。研究还发现传感器布局对性能影响较小，而数据源选择和模型架构（如BiLSTM+Attention）对精度起关键作用。该成果为降低冷链监测成本、提升食品质量管控效率提供了创新解决方案，发表于《Journal of Stored Products Research》。

　　

在生鲜食品的供应链中，温度是决定产品质量和安全的关键因素。从采摘后的加工、储存到运输，任何环节的温度波动都可能导致食品腐败、缩短货架期，甚至引发食品安全问题。然而，传统的温度监测方式面临两大挑战：一是成本高昂，若要实现高分辨率监测，需要在每个货盘或包装中部署大量物理传感器，全球冷链运输所需的传感器数量可能高达数十亿个；二是实际部署受限，传感器往往只能安装在便于操作的位置（如冷藏车顶部），而无法直接测量食品内部的真实温度，导致监测数据与实际情况存在显著差异。更棘手的是，不同批次的食品因环境条件、运输延误或制冷故障等因素，会经历不同的时间-温度历程，例如同一货盘内不同位置的果蔬冷却速率差异可达42%。这种温度分布的异质性使得仅依靠环境温度推测食品温度的方法可靠性不足。

为了解决上述问题，湖南医科大学医学人文与信息管理学院的研究团队在《Journal of Stored Products Research》上发表了一项研究，提出了一种数据驱动的虚拟传感器系统（Data-driven Virtual Sensor System, DD-VSS）。该系统利用深度学习技术，通过有限数量的传感器数据，预测食品在供应链中难以直接测量位置的温度，从而在不增加硬件成本的前提下，实现对整个货盘温度场的精准监控。

研究团队为构建DD-VSS，主要采用了以下几项关键技术方法：首先，通过实验模拟食品供应链中的三个核心环节——采后处理（预冷）、储存和运输，在冷库和冷藏集装箱中布置温度传感器网络，采集脐橙货盘在不同季节的多源温度数据（包括食品初始温度、环境温度及货盘内多点温度）；其次，利用双向长短期记忆网络（BiLSTM）结合注意力机制构建深度学习模型，对时序温度数据进行训练和预测，并通过超参数调优确定最佳网络结构；最后，采用均方根误差（RMSE）和平均绝对误差（MAE）等指标评估模型性能，并引入等效替代率（ERR）量化虚拟传感器对物理传感器的替代效益。

3.1. 实验数据分析结果

通过对供应链各环节温度数据的采集与分析，研究发现货盘内不同位置的食品温度存在显著异质性（例如A11与A52测点温差明显），且食品因热惯性对环境温度变化的响应滞后（如C51测点温度变化缓于环境测点E11）。这表明仅依靠环境温度无法准确反映食品实际温度状态，进一步印证了部署货盘级温度监测的必要性。

3.2. DD-VSS的性能表现

在虚拟传感器与物理传感器比例（ERR）逐步提升至32:1的条件下，DD-VSS在采后处理、储存和运输阶段的温度预测误差均保持在0.3?°C以内（RMSE），低于0.5?°C的行业容错标准。即使固定物理传感器数量（如1个环境传感器+1个货盘传感器），增加虚拟传感器数量对精度影响有限，例如在采后处理阶段，ERR从2提升至32时，RMSE仅从0.13?°C升至0.22?°C，证明系统具备良好的扩展性。

3.3. 多源数据对预测精度的影响

通过特征重要性分析（SHAP值）发现，货盘级食品温度数据（TFP）对预测精度贡献最大（SHAP值范围-0.4~0.6），而环境温度（IAT）和初始食品温度（IFT）的影响较弱。这表明在虚拟传感器系统中，至少需部署一个货盘级温度传感器才能保证预测可靠性。

3.4. 传感器布局对DD-VSS性能的影响

对比不同传感器位置下的预测效果，DD-VSS的RMSE波动范围较小（0.13~0.25?°C），显著低于反向传播（BP）神经网络（0.22~0.32?°C）和径向基函数网络（0.24~0.40?°C）。此外，与传统统计模型（如ARIMAX）相比，DD-VSS对传感器位置的敏感性更低（误差变异仅0.15?°C），说明其具有较强的鲁棒性。

在讨论部分，研究进一步对比了DD-VSS与物理模型虚拟传感器系统（PB-VSS）的性能差异。结果显示，DD-VSS的预测误差（RMSE 0.11~1.49?°C）较PB-VSS（0.42~2.20?°C）降低约50%，且最高等效替代率（ERR=32）远超PB-VSS（ERR=6.5），印证了数据驱动方法在精度和成本效益上的双重优势。同时，通过与工业物联网解决方案（如Thermo King、Sensitech系统）的对比，DD-VSS在温度监测精度（MAE ±0.3?°C）、数据完整性（99.7%）和部署效率（单车安装20分钟）方面均表现更优。

为验证模型泛化能力，研究团队在广州运输集团冷链配送中心开展了实地测试。在为期8天的香蕉配送实验中，DD-VSS在非标准工况（如制冷系统故障、长时间开门）下仍保持RMSE=0.30?°C的预测精度，实际与预测温度曲线高度吻合，证明了该系统在真实场景中的适用性。

综上所述，本研究提出的DD-VSS通过深度学习技术实现了食品供应链中低成本、高精度的温度监测，突破了传统传感器部署的经济性和可行性限制。其核心价值在于：一是以单货盘单传感器的极简配置实现全域温度估计，大幅降低硬件投入；二是通过BiLSTM+Attention等网络结构优化提升预测稳定性，降低对传感器位置的依赖性；三是为冷链物流的数字化管理提供了可扩展的技术路径。未来，随着物联网数据积累和边缘计算能力的提升，DD-VSS有望在减少食品损耗、优化供应链决策方面发挥更大作用。