冷链记录显示温度曾经超过标准以后，为什么系统仍然不能只凭一个最高温度判断食品是否已经变质？
两辆冷藏车在清晨六点先后靠上月台，记录仪导出的最高温度都是 12°C。一辆是卸货时后门敞开了几分钟，另一辆是制冷机组停摆了大半个上午。只看“最高温度”这一栏，两条记录没有任何区别，货物的处境却相差很远。
超温从来不是一个数，而是三样东西的叠加：偏离了多少，偏离了多久，以及货物本来处在什么状态。必赢亚洲冷链的研究思路，是不让峰值单独承担判断，而是把整段时间—温度历史折算成一笔账，再看这笔账落在这批货还剩多少余量上。
同一个峰值，账单差在哪里
先用一组假设参数把账算清楚。设一种鲜鱼类货物以 4°C 为参照温度，Q10 取 3（假设，实际数值随品类和劣变指标而异），则相对劣变速率约为：4°C 时 1.00，8°C 时 1.55，12°C 时 2.41。两次事件都按 12°C 计（示意）：
| 事件 | 持续 | 相对速率 | 实际消耗 | 比正常多消耗 |
|---|---|---|---|---|
| A 卸货开门 | 5 分钟 | 2.41 | 约 0.20 等效小时 | 约 7 分钟 |
| B 机组停摆 | 5 小时 | 2.41 | 约 12 等效小时 | 约 7 小时 |
5 分钟的那次几乎可以忽略，5 小时的那次则吃掉了实打实的货架期，而这 7 小时值多少，要看这批货还剩多少余量。
示意计算（全部为假设）：这种鱼在 4°C 下的货架期共 120 小时，按 4°C 等效小时记账。批次甲到货时已消耗 90 小时，余量 30 小时；批次乙已消耗 112 小时，余量 8 小时。事件 B 期间实际消耗约 12 小时：甲剩约 18 小时，仍可正常流转；乙的余量在事件进行到第 3 个多小时就已用完，越过 100% 警戒线，图中下方那条曲线画的就是这种情形。
同一条温度曲线，落在余量 30 小时和 8 小时的两批货上，处置完全不同。所以系统需要的不只是这一趟的记录，还有货物进入这一趟时的起点。
一次超温，要先问四个问题
- 货物到达时处在什么状态？ 起始品温和已消耗的货架期是账的起点，同一次事件落在不同起点上，后果不同。
- 品温到底升了多少？ 记录仪多半贴在空气里。5 分钟敞门可以让空气读数冲到 12°C，而装得很满、包装厚实的托盘热惰性大，内部可能只动了零点几度；薄袋装的切片则几十分钟就跟着空气走。表格里 A 的算法其实偏保守，它默认品温也到了 12°C。这也是“品内温度虚拟传感”受到关注的原因：用环境侧数据和传热关系重建品内温度，而不是把空气读数当成品温。
- 恢复得多快？ 门关上以后，温度回到设定值之前的每一分钟仍然高于参照温度，这条“尾巴”也要计入。装载率高、风道被挡、蒸发器刚好在除霜的冷库，恢复可能比空载慢得多，可参考冷库开门后的温度恢复。
- 是一次还是很多次？ 反复出现的小超温累计起来，可能不输一次较长的大故障（示意）。生物型时间温度指示器（TTI）的逻辑就是逐步累积暴露，而不是只对单次事件做出反应。
累计热暴露怎么折算
把温度历史变成一个数，常用两种写法。Q10 写法很直观：温度每升高 10°C，速率放大 Q10 倍，即 r(T) = Q10^((T − Tref)/10)。Arrhenius 写法用活化能 Ea 描述温度敏感度，k = A·exp(−Ea/RT)；TTI 常用它来描述与食品劣变动力学的匹配。在不太宽的温区内两种写法近似，但 Q10 数值因品类而异，不能把一个数字搬到所有食品上。
累计的做法，是按采样间隔把每一段的 r(Tᵢ)×Δt 相加，得到等效小时，再除以该品类在参照温度下的货架期，就是“货架期消耗百分比”。
采样间隔本身会改变这笔账。假设记录仪每 15 分钟记一个点，一个持续 10 分钟的尖峰可能恰好落在两个采样点之间，账上一分钟都没有；改成每分钟采样，它就出现了。事件期间加密采样、断网后补传完整历史，比换一个更复杂的模型更靠前。
换一个品类，同一条曲线读出的东西就变了
牛奶、鱼类、冷冻食品和生鲜果蔬的风险模型各不相同：
| 品类 | 主要驱动的变化 | 同一次超温应重点看什么 |
|---|---|---|
| 牛奶等乳制品 | 微生物增殖、风味与理化品质变化 | 超温期间的累计增殖；杀菌工艺和包装形式不同，敏感度差别大 |
| 鱼类 | 微生物增殖与品质变化，往往对温度更敏感 | 累计消耗占本来就不长的余量的比例 |
| 冷冻食品 | 部分解冻、冰晶变化、反复冻融 | 货温有没有升到开始解冻的区间、回冻前停了多久 |
| 生鲜果蔬 | 呼吸、成熟与软化；部分品类怕低温冷害 | 成熟进度，而不是单纯的微生物累积 |
冷冻食品是最好的反例。货温从深冻状态升到某个中间温度，用冷藏品类的 Q10 去折算，会得到一个看起来很精确却没有意义的数字，因为真正的问题是有没有出现部分解冻、之后是否又冻了回去。果蔬则说明“越冷越好”并不成立：在冷害区，降温反而带来另一类损伤，速率随温度单调下降的前提不再成立。
这笔账什么时候不可信
模型会给出一个数，但有几种情形，这个数应当被降级使用：
- 只有空气温度，没有品内温度和热惰性信息。
- 温度历史有缺口：断网、电池耗尽、探头被货物遮住。缺口不能默认为“正常”。
- 品类档案粗糙，只能套通用衰减曲线。有效的模型应针对具体产品真正驱动腐败的机理来训练。
- 事件落在训练范围之外，例如冻结点附近，或者冷害区。
- 风险来自温度以外，如初始污染、包装破损、气体成分失控，温度历史看不到。
这些情形下，输出应当带更宽的区间并注明依据不足，处置偏保守，并且必须实测：品内探针、感官检查，以及由品控人员按适用标准决定的微生物或理化检验。模型给的是风险估计和处置优先级，不是“能不能吃”的法规结论。
落地：先记什么，怎么验证，怎么留痕
- 先把起点记下来。 每批货到货时的品温、装货时间、批次、包装形式、传感器位置。没有起点，后面的累计没有意义。
- 事件期间加密采样。 一旦超过管控线（例如常见冷藏管控线示例 8°C，各品类不同），采样间隔自动缩短。
- 拿实测校准。 选少量批次同时放品内探针，对照模型重建的品温，看偏差是否随季节和线路变化。
- 按余量分级处置。 余量充足则记录放行；区间与余量重叠则复检或优先销售；余量已耗尽则隔离评估。具体线以适用标准和企业 HACCP 为准。
- 留痕。 记录输入数据、模型版本、结论、人工复核人和最终处置，纳入 HACCP 记录。
必赢亚洲的设计原则是让判断可复核，每个结论都能追溯到哪一段温度、哪一组参数。想看模型怎样从完整温度历史走到剩余货架期，可以接着读 AI 怎样根据完整温度历史预测食品剩余货架期。
