CN120212701A 基于物联网的智能屏蔽模块化冷柜系统

(10)申请公布号CN120212701A(71)申请人上海虎距实业发展有限公司地址200000上海市闵行区东川路555号丙楼4811室(72)发明人陆谓舜郑逸飞(74)专利代理机构北京睿博行远知识产权代理有限公司11297专利代理师高明月F25D23/12(2006.01)H02J7/35(2006.01)(54)发明名称基于物联网的智能屏蔽模块化冷柜系统本发明提供一种基于物联网的智能屏蔽模块化冷柜系统，属于物联网技术领域。该系统包括：包括智能冷柜主体和控制系统，控制系统包括：数据采集模块，包括部署在智能冷柜主体内部的高精度传感器，用于采集智能冷柜主体的运行数据；维护模块，用于根据所采集的运行数据与冷柜的历史故障数据，构建知识图谱，以进行多维度关联分析，并利用无监督学习算法挖掘正常运行模式，识别异常运行状态，还用于在识别到异常运行状态时，通过预设的健康度评估策块，用于获取人员活动信息，并根据所获取的信息，通过预设调控策略，调节智能冷柜主体的运智智能冷柜主体21.一种基于物联网的智能屏蔽模块化冷柜系统，其特征在于，所述智能屏蔽模块化冷柜系统包括智能冷柜主体和控制系统，所述控制系统包括：数据采集模块，包括部署在所述智能冷柜主体内部的传感器，用于采集所述智能冷柜主体的运行数据；维护模块，用于根据所采集的运行数据与冷柜的历史故障数据，构建知识图谱，以进行多维度关联分析，并利用无监督学习算法挖掘正常运行模式，识别异常运行状态，还用于在节能调控模块，用于获取人员活动信息，并根据所获取的信息，通过预设调控策略，调节所述智能冷柜主体的运行状态。2.根据权利要求1所述的智能屏蔽模块化冷柜系统，其特征在于，所述控制系统还包能量收集模块，所述能量收集模块包括部署在所述智能冷柜主体上方的太阳能电池板与温差发电模块，用于将光能和温差能转化为电能，并将电能存储在锂电池组。3.根据权利要求2所述的智能屏蔽模块化冷柜系统，其特征在于，所述能量收集模块还用于在断电时，将存储的电能分配至所述智能冷柜主体内的低功耗模块，以维持冷柜部分功能的运行。4.根据权利要求1所述的智能屏蔽模块化冷柜系统，其特征在于，所述利用无监督学习算法挖掘正常运行模式，识别异常运行状态包括：基于关联分析的结果，利用无监督学习算法对冷柜正常运行状态下的运行数据进行聚将实时运行数据与所述正常运行模式的运行数据进行对比，当某维度数据的偏差超过第一预设阈值时，则识别出冷柜处于异常运行状态。5.根据权利要求1所述的智能屏蔽模块化冷柜系统，其特征在于，通过预设的健康度评在冷柜处于异常运行状态时，根据冷柜中各部件的设计参数数据、冷柜的历史运行数据以及实时运行数据，利用强化学习算法，动态调整各数据的基础权重；利用熵权法，计算各数据的客观权重，以衡量各数据的信息熵大小；利用灰色关联度分析，计算实时运行数据与所述正常运行模式的运行数据的关联程度，并结合所述基础权重与所计算的客观权重，构建综合评分模型；根据所构建的综合评分模型，计算冷柜中各部件的健康得分；当某部件健康得分低于第二预设阈值，或变化率超过第三阈值时，确定该部件为异常部件。6.根据权利要求1所述的智能屏蔽模块化冷柜系统，其特征在于，所述定位故障根源，包括：在识别到异常部件时，运用密度峰值聚类算法，根据数据的局部密度和相对距离，对冷柜的实时运行数据进行动态聚类，生成聚类簇；根据聚类簇的分布、形态变化，结合所述历史故障数据中不同故障类型对应的典型数据聚类特征，提取当前故障的故障特征；将提取到的故障特征与预设的故障模式数据库中的索引进行匹配，采用倒排索引技3术，检索出与所述故障特征相似度高的多个故障模式，生成故障候选列表；基于所生成的故障候选列表，利用贝叶斯网络，结合所述实时运行数据和所述历史故障数据，计算所述故障候选列表中各故障原因的后验概率；根据所计算的后验概率，定位故障根源。7.根据权利要求1所述的智能屏蔽模块化冷柜系统，其特征在于，所述智能冷柜主体包括毫米波雷达与热成像传感器，用于采集人员活动信息，所述节能调控模块被配置为：获取并分析所采集的人员活动信息，判断是否有人员靠近冷柜；当没有人员靠近冷柜时，降低冷柜照明亮度至基础档位并减少压缩机启停频率以降低当没有人员靠近冷柜，且持续时间超过预设时间时，控制冷柜进入休眠模式，仅维持基本的温湿度监测功能；当有人员靠近冷柜时，控制冷柜进入正常模式。8.根据权利要求1所述的智能屏蔽模块化冷柜系统，其特征在于，所述智能冷柜主体还包括RFID射频识别装置，用于识别冷柜内物品所携带的RFID标签，以获取物品的身份信息、存储位置信息和出入库时间信息。9.根据权利要求1所述的智能屏蔽模块化冷柜系统，其特征在于，所述维护模块还用10.根据权利要求9所述的智能屏蔽模块化冷柜系统，其特征在于，所述控制系统还包括远程监控模块，所述远程监控模块通过物联网通信技术与所述智能冷柜主体连接，用于对冷柜运行状态进行实时监控，包括查看运行数据、健康得分，以及接收所述维护模块发出的信息。4技术领域[0001]本发明涉及物联网技术领域，具体地涉及一种基于物联网的智能屏蔽模块化冷柜系统。背景技术[0002]随着物联网技术的快速发展，冷柜作为重要的存储设备，在商业、医疗、科研等领域的应用日益广泛。为满足智能化、高效化的管理需求，如何实现冷柜的智能运维、能耗优化以及精准的物品管理成为研究热点。物联网技术的引入使得冷柜能够实现数据的实时采集与传输，为冷柜的智能化升级提供了技术基础，相关领域对冷柜智能化系统的研发投入持续增加。[0003]然而，现有的冷柜管理系统仍存在诸多不足。在设备维护方面，传统冷柜缺乏对设备运行状态的全面监测与智能分析，难以在故障发生前进行预警，通常只能在故障发生后被动维修，导致维修成本高且影响设备正常使用。在能耗管理上，多数冷柜无法根据使用场景和人员活动情况动态调节运行状态，造成能源浪费。在物品管理环节，依赖人工盘点或简单的条码识别，效率低且容易出错，难以实现对物品的精准定位和高效管理，无法满足现代仓储管理对冷柜系统智能化、精细化的要求。发明内容[0004]本发明提供一种基于物联网的智能屏蔽模块化冷柜系统，用以解决现有技术中存在的设备故障预警滞后、能耗管理粗放等问题。[0005]为了实现上述目的，本发明实施例提供一种基于物联网的智能屏蔽模块化冷柜系统，所述智能屏蔽模块化冷柜系统包括智能冷柜主体和控制系统，所述控制系统包括：数据采集模块，包括部署在所述智能冷柜主体内部的传感器，用于采集所述智能冷柜主体的运行数据；维护模块，用于根据所采集的运行数据与冷柜的历史故障数据，构建知识图谱，以进行多维度关联分析，并利用无监督学习算法挖掘正常运行模式，识别异常运行状态，还用于在识别到异常运行状态时，通过预设的健康度评估策略，确定异常部件，并定位故障根所述智能冷柜主体的运行状态。[0006]可选的，所述控制系统还包括：能量收集模块，所述能量收集模块包括部署在所述智能冷柜主体上方的太阳能电池板与温差发电模块，用于将光能和温差能转化为电能，并将电能存储在锂电池组。[0007]可选的，所述能量收集模块还用于在断电时，将存储的电能分配至所述智能冷柜主体内的低功耗模块，以维持冷柜部分功能的运行。[0008]可选的，所述利用无监督学习算法挖掘正常运行模式，识别异常运行状态包括：基于关联分析的结果，利用无监督学习算法对冷柜正常运行状态下的运行数据进行聚类处理，挖掘冷柜的正常运行模式；将实时运行数据与所述正常运行模式的运行数据进行对比，5当某维度数据的偏差超过第一预设阈值时，则识别出冷柜处于异常运行状态。[0009]可选的，通过预设的健康度评估策略，确定异常部件，包括：在冷柜处于异常运行状态时，根据冷柜中各部件的设计参数数据、冷柜的历史运行数据以及实时运行数据，利用强化学习算法，动态调整各数据的基础权重；利用熵权法，计算各数据的客观权重，以衡量各数据的信息熵大小；利用灰色关联度分析，计算实时运行数据与所述正常运行模式的运行数据的关联程度，并结合所述基础权重与所计算的客观权重，构建综合评分模型；根据所构建的综合评分模型，计算冷柜中各部件的健康得分；当某部件健康得分低于第二预设阈根据数据的局部密度和相对距离，对冷柜的实时运行数据进行动态聚类，生成聚类簇；根据聚类簇的分布、形态变化，结合所述历史故障数据中不同故障类型对应的典型数据聚类特征，提取当前故障的故障特征；将提取到的故障特征与预设的故障模式数据库中的索引进行匹配，采用倒排索引技术，检索出与所述故障特征相似度高的多个故障模式，生成故障候选列表；基于所生成的故障候选列表，利用贝叶斯网络，结合所述实时运行数据和所述历史故障数据，计算所述故障候选列表中各故障原因的后验概率；根据所计算的后验概率，定位故障根源。[0011]可选的，所述智能冷柜主体包括毫米波雷达与热成像传感器，用于采集人员活动信息，所述节能调控模块被配置为：获取并分析所采集的人员活动信息，判断是否有人员靠近冷柜；当没有人员靠近冷柜时，降低冷柜照明亮度至基础档位并减少压缩机启停频率以降低能耗；当没有人员靠近冷柜，且持续时间超过预设时间时，控制冷柜进入休眠模式，仅维持基本的温湿度监测功能；当有人员靠近冷柜时，控制冷柜进入正常模式。[0012]可选的，所述智能冷柜主体还包括RFID射频识别装置，用于识别冷柜内物品所携[0013]可选的，所述维护模块还用于，在确定故障根源后，发出预警信息以及故障根源定[0014]可选的，所述控制系统还包括远程监控模块，所述远程监控模块通过物联网通信技术与所述智能冷柜主体连接，用于对冷柜运行状态进行实时监控，包括查看运行数据、健康得分，以及接收所述维护模块发出的信息。[0015]本发明所提供的基于物联网的智能屏蔽模块化冷柜系统，通过多模块协同运作实现全方位智能管理，数据采集模块精准获取运行数据，维护模块结合知识图谱与智能算法实现故障的提前预警、精准定位和高效处理，节能调控模块依据人员活动智能调节运行状计便于维护升级，全方位提升了冷柜的智能化水平、运行效率和可靠性，显著降低运营成本并提高管理效率。附图说明[0016]为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些6图1是本发明实施例提供的智能屏蔽模块化冷柜系统的结构图；图2是本发明实施例提供的异常检测流程图；图3是本发明实施例提供的异常部件确定流程图；图4是本发明实施例提供的故障根源定位流程图；图5是本发明实施例提供的节能调控流程图。具体实施方式[0017]以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。国家法律法规的相关规定。在本申请实施例中，可能提及某些软件、组件、模型等业界已有方案，应当将它们认为是示范性的，其目的仅仅是为了说明本申请技术方案实施中的可行性，但并不意味着申请人已经或者必然用到了该方案。键领域的广泛应用，其对储存环境的稳定性、安全性与智能化管理能力提出了更高的技术要求，传统的屏蔽冷柜系统已难以满足现代化管理的需求。因此，研发一种智能化水平和可靠性更高的冷柜系统迫不容缓。[0020]针对上述问题，本发明提供了一种基于物联网的智能屏蔽模块化冷柜系统，通过物联网技术与多模块协同，实现冷柜运行数据智能采集分析、故障精准预判、能耗动态优化、物品高效管理及模块化便捷维护，显著提升冷柜智能化水平、可靠性与运营效益。[0021]下面结合图1-图5具体描述本发明。[0022]如图1所示，本发明实施例提供一种基于物联网的智能屏蔽模块化冷柜系统，所述智能屏蔽模块化冷柜系统包括智能冷柜主体和控制系统，所述控制系统包括：数据采集模块，包括部署在所述智能冷柜主体内部的高精度传感器，用于采集所述智能冷柜主体的运行数据；维护模块，用于根据所采集的运行数据与冷柜的历史故障数据，构建知识图谱，以进行多维度关联分析，并利用无监督学习算法挖掘正常运行模式，识别异常运行状态，还用于在识别到异常运行状态时，通过预设的健康度评估策略，确定异常部件，并定位故障根所述智能冷柜主体的运行状态。[0023]本发明提供的智能屏蔽模块化冷柜系统，构建了“智能冷柜主体+控制系统”的核心架构。其中，数据采集模块通过部署在智能冷柜主体内的高精度传感器，对冷柜运行过程中的温度、压力、电流等关键数据进行实时、精准采集，为后续的智能分析提供基础数据支撑；维护模块深度融合运行数据与历史故障数据，构建知识图谱实现多维度关联分析，借助无监督学习算法挖掘正常运行模式，能够敏锐捕捉异常状态，并通过预设健康度评估策略定位异常部件与故障根源，变被动维修为主动预防，大大提升了冷柜运行的可靠性与稳定性；节能调控模块依据人员活动信息，灵活运用预设调控策略调节冷柜运行状态，在无人使用时降低能耗，在人员靠近时快速响应，有效平衡了使用体验与能源消耗。该系统通过系统化、智能化的设计，将物联网技术深度融入冷柜管理的各个环节，不仅实现了冷柜运行状态7的全面感知与智能分析，还显著提高了设备维护效率、降低运营成本，为冷柜智能化升级提供了创新且实用的技术方案。[0024]优选的，所述控制系统还包括：能量收集模块，所述能量收集模块包括部署在所述智能冷柜主体上方的太阳能电池板与温差发电模块，用于将光能和温差能转化为电能，并将电能存储在锂电池组。[0025]进一步优选的，所述能量收集模块还用于在断电时，将存储的电能分配至所述智能冷柜主体内的低功耗模块，以维持冷柜部分功能的运行。[0026]在本发明优选实施例中，提出了能量收集模块，该模块借助部署在智能冷柜主体上方的太阳能电池板和温差发电模块，把光能与温差能转化为电能，并将其存储于锂电池组。这一设计体现了能源利用的创新思路，使冷柜能够充分利用环境中的可再生能源，实现应了节能环保的时代需求，有助于减少碳排放。同时，该模块的设置增强了冷柜在复杂环境下的适应性和稳定性，即使在供电不稳定或停电的情况下，也能依靠存储的电能维持部分功能的运行，为冷柜内物品的存储安全提供了额外保障。[0027]优选的，所述利用无监督学习算法挖掘正常运行模式，识别异常运行状态包括：基于关联分析的结果，利用无监督学习算法对冷柜正常运行状态下的运行数据进行聚类处理，挖掘冷柜的正常运行模式；将实时运行数据与所述正常运行模式的运行数据进行对比，当某维度数据的偏差超过第一预设阈值时，则识别出冷柜处于异常运行状态。[0028]在本发明优选实施例中，详细说明了温控系统中能量收支的计算方法，该方法是能量平衡算法的核心。首先，将加热设备的功率参数与运行时间相乘得到输入能量；接着，根据餐饮存放平台的表面积、热传导系数、平台内外温差以及使用时间，通过热传导公式算出热传导散失的能量；再结合制冷设备工作时吸收餐饮存放空间内的热量，得出输出能量；最后，用输入能量减去输出能量，从而计算出能量收支，为后续控制策略的选择提供关键依[0029]如图2所示，优选的，所述根据所计算的能量收支，选择对应预设的控制策略，包括：若所述能量收支超过第一预设值，且温度上升速率超过预设速率，选择降低加热功率或启动制冷设备的控制策略；若所述能量收支低于第二预设值，且温度降低速率超过预设速率，选择加大加热；若所述能量收支在第一预设值与第二预设值的范围内，或温度变化速率小于预设速率，选择维持当前设备工作状态的控制策略。[0030]在本发明优选实施例中，介绍了维护模块利用无监督学习算法挖掘正常运行模式和识别异常运行状态的具体方式。首先基于关联分析结果，运用无监督学习算法对冷柜正常运行状态下的运行数据开展聚类处理，以找出数据中的内在规律和模式，从而精准挖掘出冷柜的正常运行模式。之后，将实时运行数据与正常运行模式的某维度数据的偏差超过第一预设阈值，就判定冷柜处于异常运行状态。这种方式优点显著,利用无监督学习算法可自主发现数据特征和模式，无需大量标注数据，降低了人工成本和数据标注的难度。通过多维度数据对比和阈值判断，能及时、准确地识别冷柜的异常运行状态，实现对冷柜运行状态的实时监测和预警，为后续的异常处理和维护提供了有力支持，大大提高了冷柜运行的安全性和可靠性。[0031]举例而言，假设在某大型医药仓储中心，存放疫苗的智能屏蔽模块化冷柜系统运8行过程中。数据采集模块持续采集冷柜的温度、压缩机运行频率等运行数据，维护模块基于关联分析结果，利用无监督学习算法对冷柜日常正常存放疫苗时的运行数据进行聚类处理，确定了该冷柜在存放疫苗时的正常运行模式：温度稳定维持在2-8℃,压缩机每隔30分钟启动一次，每次运行5分钟左右。某天，数据采集模块反馈的实时2小时内持续升高至10℃,远超与正常运行模式对比时设定的第一预设阈值(例如5℃/时),维护模块立即识别出冷柜处于异常运行状态。随后，仓储中心工作人员及时介入，发现是制冷系统的电磁阀出现故障，避免了因疫苗储存温度异常导致的药品失效问题，保障了医药存储安全，同时也体现了该技术方案在实际场景中对冷柜异常状态的高效、精准识别能力。于异常运行状态时，根据冷柜中各部件的设计参数数据、冷柜的历史运行数据以及实时运行数据，利用强化学习算法，动态调整各数据的基础权重；利用熵权法，计算各数据的客观权重，以衡量各数据的信息熵大小；利用灰色关联度分析，计算实时运行数据与所述正常运行模式的运行数据的关联程度，并结合所述基础权重与所计算的客观权重，构建综合评分模型；根据所构建的综合评分模型，计算冷柜中各部件的健康得分；当某部件健康得分低于第二预设阈值，或变化率超过第三阈值时，确定该部件为异常部件。[0033]在本发明优选实施例中，详细阐述了冷柜在异常运行状态下，通过预设的健康度评估策略确定异常部件的具体流程。当冷柜被识别处于异常运行状态时，首先依据冷柜中各部件的设计参数数据、历史运行数据以及实时运行数据，利用强化学习算法动态调整各数据的基础权重。强化学习能根据不断变化的运行情况，让系统自动学习并优化各数据在评估中的重要程度，使评估更贴合实际情况。接着，利用熵权法计算各数据的客观权重，以此衡量数据的信息熵大小，保证权重分配的客观性和科学性。然后，通过灰色关联度分析，计算实时运行数据与正常运行模式运行数据的关联程度，并结合上述基础权重与客观权重，构建出综合评分模型。该模型整合了多维度数据与多种算法优势，能够全面且准确地评估各部件状况。最后，根据综合评分模型计算出冷柜中各部件的健康得分，当某部件健康得分低于第二预设阈值，或变化率超过第三阈值时，便可确定该部件为异常部件。这种评估策略的优势在于，它摒弃了单一数据或简单评估方式的局限性，通过多种算法相互配合，从多个角度对冷柜部件进行评估，能够更精准地定位到出现问题的部件，为后续维修和维护提[0034]举例而言，在某食品加工厂的低温冷柜运行过程中，冷柜突然出现温度波动异常。此时，健康度评估策略开始运作：首先，强化学习算法根据冷柜压缩机、冷凝器等部件的设计参数数据(如压缩机额定功率为5kW、冷凝器换热面积为8m²)、历史运行数据(过去一个月内压缩机平均电流为8A,运行频率每小时6次)以及实时运行数据(当前压缩机电流突然升至12A,运行频率每小时达10次),动态调整各数据的基础权重，将压缩机运行电流和运行频率的数据权重分别提升至0.3和0.25。接着，利用熵权法计算各数据的客观权重，得出压缩机运行电流客观权重为0.28,运行频率客观权重为0.22。然后，通过灰色关联度分析，计算实时运行数据与正常运行模式运行数据的关联程度，发现压缩机相关数据与正常模式数据的关联度仅为0.4(正常关联度需达0.7以上)。结合基础权重与客观权重，构建综合评分模型后计算得出，压缩机的健康得分为55分(例如第二预设阈值为70分),且得分变化率在1小时内达到30%(第例如三阈值为20%)。最终，系统确定压缩机为异常部件。维修人员到场后发9现压缩机内部轴承磨损，及时更换后冷柜恢复正常运行，避免了食品因温度异常变质造成的损失，凸显了该评估策略结合具体数值判断的准确性和实用性。值聚类算法，根据数据的局部密度和相对距离，对冷柜的实时运行数据进行动态聚类，生成聚类簇；根据聚类簇的分布、形态变化，结合所述历史故障数据中不同故障类型对应的典型数据聚类特征，提取当前故障的故障特征；将提取到的故障特征与预设的故障模式数据库中的索引进行匹配，采用倒排索引技术，检索出与所述故障特征相似度高的多个故障模式，生成故障候选列表；基于所生成的故障候选列表，利用贝叶斯网络，结合所述实时运行数据和所述历史故障数据，计算所述故障候选列表中各故障原因的后验概率；根据所计算的后[0036]在本发明优选实施例中，详细阐述了在确定冷柜存在异常部件后，定位故障根源的具体技术路径。当维护模块依据上述评估策略确定异常部件后，首先运用密度峰值聚类算法，对冷柜的实时运行数据(如温度波动曲线、压缩机电流变化、风扇转速数据等)进行动态聚类。该算法通过计算数据点的局部密度和相对距离，将相似的数据点归为同一聚类簇，例如将温度异常升高阶段的相关数据归为一个簇，压缩机异常电流数据归为另一簇，从而将繁杂的运行数据结构化呈现。接着，根据聚类簇的分布特征、形态变化，结合历史故障数据中不同故障类型对应的典型数据聚类特征(如制冷系统堵塞时温度数据聚类呈现阶梯式上升，压缩机故障时电流数据聚类离散程度增大等),提取当前故障的关键故障特征。例如，若发现温度聚类簇呈现持续缓慢上升趋势，且压缩机电流聚类簇波动剧烈，可初步锁定故障与制冷循环相关。然后，将提取到的故障特征与预设的故障模式数据库中的索引进行匹配，采用倒排索引技术，快速检索出与该故障特征相似度高的多个故障模式，生成故障候选合实时运行数据和历史故障数据，计算各故障原因的后验概率。例如，通过计算得出制冷管道堵塞的后验概率为75%,压缩机气阀损坏的后验概率为20%,其他故障原因概率为5%,从而确定制冷管道堵塞为最可能的故障根源。该方法的优势在于，通过多种算法的有机结合，实现了从数据聚类分析到故障特征提取，再到精准定位故障根源的全流程智能化分析。相较于传统人工排查，不仅大幅缩短了故障诊断时间，还能凭借历史数据和概率计算，显著提高故障定位的准确性，为冷柜的快速维修和高效运行提供了有力保障。[0037]如图5所示，优选的，所述智能冷柜主体包括毫米波雷达与热成像传感器，用于采集人员活动信息，所述节能调控模块被配置为：获取并分析所采集的人员活动信息，判断是否有人员靠近冷柜；当没有人员靠近冷柜时，降低冷柜照明亮度至基础档位并减少压缩机启停频率以降低能耗；当没有人员靠近冷柜，且持续时间超过预设时间时，控制冷柜进入休眠模式，仅维持基本的温湿度监测功能；当有人员靠[0038]在本发明优选实施例中，智能冷柜主体配备的毫米波雷达与热成像传感器持续采集人员活动信息，通过传感器的协同工作精准判断是否有人员靠近冷柜。当传感器未检测到人员靠近时，节能调控模块依据预设调控策略，立即降低冷柜照明亮度至基础档位，例如将原本300流明的照明亮度调至50流明，同时减少压缩机启停频率，如将每小时6次的启停频率降低至每小时2-3次，从而有效降低冷柜能耗；若人员未靠近冷柜的状态持续时间超过预设时间(如2小时),冷柜将进入休眠模式，此时仅维持基本的温湿度监测功能，压缩机暂停工作，照明系统关闭，最大程度减少能源消耗。而一旦传感器检测到人员靠近，节能调控模块迅速响应，控制冷柜立即进入正常模式，照明亮度恢复至正常水平，压缩机恢复正常启停频率，保障用户使用冷柜时的正常体验。该技术方案优势显著,通过对人员活动的实时感知和智能调控，在不影响冷柜正常使用功能的前提下，实现了能源的精细化管理和高效利用，降低了冷柜的运行成本，同时也延长了冷柜相关部件(如压缩机、照明设备)的使用寿[0039]优选的，所述智能冷柜主体还包括RFID射频识别装置，用于识别冷柜内物品所携[0040]进一步优选的，所述维护模块还用于，在确定故障根源后，发出预警信息以及故障根