冷链已经实时记录温度以后，为什么下一代系统还需要预测“剩余货架期”而不是只显示是否超温？
设想同一个仓库里有两批同品种的冷藏乳饮（示意场景），温度记录都显示全程没有越过 8°C 这条常见冷藏管控线示例（各品类不同），报警系统一次也没响。可其中一批大部分时间待在 2 到 3°C，另一批在 6 到 7°C 之间走了三天。对“是否超温”这个问题，两批货没有区别；对仓库接下来要做的决定，它们完全不同。
必赢亚洲冷链的设计思路，是把系统的输出从“正常/异常”换成“剩余货架期”，直接回答库存和销售关心的问题：还能保存多久，要不要优先卖掉。这中间是一整条预测链，每一环都有自己的假设，也有自己的出错方式，下面逐段拆开。
一个假设算例：两条都“正常”的历史
用一组假设参数演示（示意）：某款冷藏产品在 4°C 下货架期为 10 天，即 240 小时，Q10 取 3。甲批三天平均品温 3°C，乙批平均 7°C，之后都按 4°C 储存。
| 批次 | 三天平均品温 | 相对速率 | 三天消耗（4°C 等效） | 剩余货架期 | Q10 取 2 至 4 的区间 |
|---|---|---|---|---|---|
| 甲 | 3°C | 0.90 | 约 65 小时 | 约 7.3 天 | 约 7.2–7.4 天 |
| 乙 | 7°C | 1.39 | 约 100 小时 | 约 5.8 天 | 约 5.5–6.3 天 |
两批货相差约一天半，报警系统看不到。还有一个细节：乙的区间更宽，约 0.8 天，甲只有约 0.2 天。历史离参照温度越远，结果对 Q10 这类参数越敏感，不确定性也越大。这不是缺陷，而是应当被显示出来的信息。“剩余”还要先约定后续储存条件，这里假设一直在 4°C。
品内温度：传感器读到的不是货的温度
传感器多半测的是空气。货物的温度追着空气走，追的快慢由热时间常数 τ 决定，包装、装载方式和货物几何都会改变它。
示意计算：空气从 4°C 升到 12°C 并停留 30 分钟，品温按一阶传热 T = 12 − 8·exp(−t/τ) 变化。薄袋切片 τ 约 10 分钟，30 分钟后品温约 11.6°C；整托盘 τ 约 2 小时，30 分钟后只有约 5.8°C。（τ 均为假设）
用空气读数直接折算，这两种货物这半小时的账是一样的；按品温折算，一个几乎没动，一个接近被拉到空气温度。所以研究里要做“品内温度虚拟传感”：由环境侧数据和传热关系重建品内温度。τ 需要用探针实测标定，货物内部的温度梯度也不能忽略，托盘中心和外沿并不同步。
同一段温度历史，怎样变成劣变进度
温度重建出来以后，要换算成“劣变走了多远”，这一步取决于什么在驱动这个品类变坏：
- 微生物增殖。 Baranyi 这类模型把适应期、指数增长和稳定期都写进方程，温度变化时能表达细胞适应的滞后。牛奶、鱼类多半要看它。
- 化学降解。 脂质氧化、褐变、维生素或色泽的损失，常用反应动力学加 Arrhenius 描述，含油脂的食品更依赖这一类。
- 状态变化。 冷冻食品的问题是部分解冻和反复冻融，用“剩余天数”表达并不合适，更适合记录事件和货温状态。
- 生理过程。 果蔬是呼吸、成熟与软化，还可能遇到低温冷害，各温区规律不同。
有效的模型应针对具体产品真正驱动腐败的机理来训练，而不是套用通用衰减曲线。“终点”也要先定义：是菌数达到某个限值，还是感官评分跌破可接受线，还是硬度、色泽指标？终点不同，同一段历史算出的天数也不同。这一步应当由品控和研发定义，不能交给算法去猜。
机理之后，AI 还该修正什么
机理模型总有偏差：包装的透气和隔热不同，个体的起始菌量与成熟度不同，传感器有误差，冷凝水和局部热点没有被写进方程。物理信息随机建模的思路是让机器学习只去估计“残差偏差”，也就是观测与机理预测的差，保留传热与劣变的控制方程。预测等于机理输出加残差修正。
这样做的好处是训练数据需求通常更小，遇到训练范围之外的工况时仍有机理兜底。机理驱动的文献里，有把果实硬度下降的生理框架嵌入神经网络的例子（牛油果硬度），用意相同，让预测保持与劣变过程的显式联系，可参考为什么冷链 AI 越来越需要“机理 + 数据”。
对照一下纯黑箱：它在训练季节可能拟合得很漂亮，换到新线路、新包装或另一个季节就失准，而且说不清错在哪里。但机理加 AI 也有边界：如果机理选错了，比如把微生物主导的品类按化学降解建模，残差修正只会把错误掩盖得更好看。残差本身也会漂移，包装改版、供应商更换都会让它变化，需要监控，超出范围时退回机理模型。到店抽检、退货和复检的结果，就是校准残差的回流数据。
区间怎么读，处置怎么定
不确定性来自五个地方：参数（Q10 或活化能）、品内温度重建、传感器误差、起始状态、终点定义。把它们传递到输出，例如对参数多次采样后取分位数，就得到“约 5 至 6 天”这样的区间。区间的宽窄本身是信息：宽，说明数据或模型不确定，处置应偏保守。
下面是一组示意的处置方向，具体放行线以适用标准和企业 HACCP 为准：
| 区间与需要时间的关系 | 处置方向（示意） |
|---|---|
| 区间下限仍明显长于预计运输加销售所需时间 | 正常流转 |
| 区间下限接近需要的时间 | 优先销售或缩短路线 |
| 区间很宽，或上下限跨过需要的时间 | 复检、补充实测，处置偏保守 |
| 区间上限已短于需要的时间 | 隔离，按 HACCP 评估 |
用区间下限而不是中位数做决定，是有意的保守。运输延迟时，可以把新的路线时间代进去重算，见运输延迟以后食品还能不能继续配送。
数据不合格时，先别相信预测
预测再精致，也建立在传感器数据之上。几类常见的问题：
- 校准与漂移。 定期与参考温度计比对，漂移超限的探头要下线。
- 贴装位置。 出风口、回风口和货物之间的读数不同，位置必须记入档案。
- 时钟与补传。 多台设备的时间戳错位，会让事件和货物对不上；断网期间的数据要补传，缺口不能默认为“正常”。
- 卡死值与尖峰。 长时间不变的读数或单点异常值要标记，而不是直接丢进模型。
- 高湿环境。 冷凝和高湿会让部分传感信号的稳定性、选择性变差，噪声变大。
上线前可以按下面的清单走一遍：
- 先“影子运行”：预测不参与处置，只和实测对照。
- 写清终点指标和后续储存条件。
- 每批货记录起点：品类、包装、到货品温、批次。
- 设定数据质量门槛，缺口或漂移超限时，输出降级为“依据不足”。
- 人工复核并留痕：记录输入数据、模型版本、区间、复核人和最终处置，纳入 HACCP 记录，实测结果再回流校准。
必赢亚洲 App 的功能设计，是把剩余货架期连同区间和依据一起呈现，而不是只给一个数字，具体见怎样在 App 里查看剩余货架期。模型给出的是排序依据，不替代责任判断。
