浙江智飨科技有限公司

企业

浙江智飨科技有限公司成立于2017年，位于浙江省。所属行业为互联网和相关服务。主要业务包括技术服务、技术开发、技术咨询、技术交流、技术转让、技术推广、软件开发。

高新技术企业科技型中小企业小微企业互联网和相关服务

成立于 2017 年浙江省80873386@qq.com

数据集列表

餐饮企业高温消毒有效管控数据是一个创新的量化工具，可用于评估餐具消毒严格符合《餐饮服务食品安全操作规范》，保障食品安全。 1.餐饮企业可以通过实时温度数据及时发现消毒不达标情况，从而立即停止使用问题批次餐具，避免食源性疾病发生。也可以根据历史数据分析找出消毒薄弱环节，从而优化消毒流程安排，确保全过程食品安全。2.餐饮监管部门可以利用本数据作为监管食堂食品安全的依据之一，通过区域消毒数据比对发现高风险单位，从而实施重点监管，防范群体性食品安全事故。3.保险公司可通过消毒达标率预测投保客户食安事故概率，提前识别目标食堂客户的投保风险，从而确定相关保险产品的定价，如食品安全责任险。1.数据抽取和预处理：（1）数据抽取：在自研的5G智慧食安工业物联网数字化管理平台数据库中抽取相关食堂部署在高温消毒设备内的WIFI温度传感器的温度数据（精度±1°C，每30秒1次），包括时间、所在区域、设备编号、温度°C、数据状态、处理状态等。（2）数据预处理：对抽取的数据进行清洗，去除重复、错误或无关的信息，以便后续的分析和建模。 2.基于高温消毒数据保障食品安全：（1消毒合规判定：若温度≥120°C且持续≥30分钟，则判定为“正常”；若温度＜100°C，则判定为“严重异常”；若100°C≤温度＜120°C或时长＜30min ，则判定为 "异常"；（2）处理状态判定：若数据状态为“正常”，则判定为“无需处理”，反之则为“未处理”；（3）利用CountIf函数分别对单日温度状态为异常的次数和近30日温度状态为异常的次数进行累加，分别算出单日异常总次数和总监测次数，计算近30日异常率：近30日异常率= ∑[单日异常总次数] ÷ 总监测次数 × 100%。

浙江省数据知识产权登记平台2025-09-30 更新270

餐饮企业用水质量有效管控数据

食品餐饮企业用水质量有效管控数据是一个创新的量化工具，可用于驱动餐饮产业链的精细化管理和协同创新。1.对餐饮企业而言，本数据可实时监控水质参数（TDS/COD/UV254等），秒级触发异常报警，自动生成合规电子台账，辅助优化净水工艺；2.对监管部门而言，本数据可构建“水质异常率-企业信用”动态模型，智能锁定高风险主体，提升执法效率3倍；3.对保险公司而言，本数据可量化食品安全风险等级（基于异常率R值），开发差异化保险产品；4.对设备商而言，本数据可精准解析不同餐饮业态水质特征，指导定制化设备研发与精准营销。数据抽取和预处理：（1）在经原始数据授权的前提下，从本单位运营的“智能水质监测设备”上获得由本单位研制的“水质传感器”采集的餐饮企业用水质量数据，包括来源时间、安装区域、设备编号、TDS总固体含量(mg/L)、TOC总有机碳(mg/L)、COD化学需氧量(mg/L)、UV254(AU/cm)、浊度(NTU)、温度(℃)等。（2）算法加工步骤：①原始数据经去重、脱敏处理（剔除企业身份信息，保留设备ID及参数）；②基于预设标准范围进行水质状态S(T) 判定：若(TDS>1000mg/L ∨ TOC>5mg/L ∨ COD>3mg/L ∨ UV254>0.1AU/cm ∨ 浊度>1NTU)，则S(T)判定为"异常"；反之所有参数达标则"正常" ；③计算近30日动态指标：异常次数 A = Σ[S(Ti)="异常"] (i=1→30)；异常率 R = (A ÷ 30) × 100%。

浙江省数据知识产权登记平台2025-09-17 更新120

冷冻库房温控溯源数据

餐饮企业冷冻库房温度有效管控数据是一个创新的量化工具，可用于确保冷冻库温度持续≤-18℃，有效抑制致病菌活性（如李斯特菌在-18℃以下停止繁殖）。1.餐饮企业可以通过本数据了解当前冷冻库房环境的整体风险情况，通过实时温度监控，确保食材存储合规，降低食品安全事故风险，避免监管处罚或顾客投诉。2.餐饮监管部门可以利用本数据作为监管餐饮企业食品安全的依据之一，通过企业上传的温度大数据，实现远程实时监管，定向抽查。也可以依据行业温度达标率，调整冷链食品储存标准。3.保险公司可通过企业温控数据质量评估风险，优化食责险定价，提前识别目标餐饮企业对标客户的投保风险，建立差异化的保费定价模型。1.数据抽取和预处理：（1）数据抽取：在自研的5G智慧食安工业物联网数字化管理平台数据库中抽取相关冷冻库房温度数据，包括时间、所在区域、设备编号、温度°C、数据状态、处理状态等。（2）数据预处理：通过部署在通过部署在冷冻房内的WIFI温度传感器实时采集温度数据（精度±0.3°C，每分钟1次）。对抽取的数据进行清洗，去除重复、错误或无关的信息，以便后续的分析和建模。 2.基于企业冷冻库房温度数据预测冷藏柜食品安全风险：（1）温度状态判定：若温度≤-18°C ，则判定为“正常”；否则判定为 "异常"；（2）处理状态判定：若数据状态为“正常”，则判定为“无需处理”，反之则为“未处理”；（3）利用CountIf函数分别对单日温度状态为异常的次数和近30日温度状态为异常的次数进行累加，分别算出单日异常总次数和总监测次数，计算近30日异常率：近30日异常率= ∑[单日异常总次数] ÷ 总监测次数 × 100%。

浙江省数据知识产权登记平台2025-09-17 更新540

低油脂菜品型（江浙粤菜系）餐饮店用油推测数据

本数据集依托于低油脂菜品型（江浙粤菜系）餐饮店的废弃油脂回收记录，运用科学严谨的算法模型，精确推算出各餐饮店的用油量范围，具有广泛的应用潜力与价值。1.对餐饮店而言，本数据有助于监测食用油的质量水平，如果店里的实际用油量没有落在推测用油量的区间内，则说明食用油可能存在质量问题。2.对餐饮监管部门而言，本数据可作为其检查餐饮店购油票据的依据，如果餐饮店出示的票据所反映的用油量没有落在推测用油量的区间内，则意味着餐饮店可能存在用油方面的食品安全隐患。3.对餐饮领域的市场分析人员而言，通过本数据不仅可以从微观层面反映餐饮店的经营情况，还可以从宏观层面洞察餐饮行业的发展趋势和消费者偏好的变化，例如当本数据展示的推测用油量在一段时期内减少时，意味着消费者对低油脂型菜品（江浙粤菜系）的需求量的减少。4.对食用油供应商而言，通过本数据可以更准确地预测市场需求，合理地安排油脂的生产和供应，减少库存积压和缺货风险。5.对科研机构而言，本数据可为其开展餐饮行业用油及废弃油脂处理的相关研究提供基础性的实证支持。1.数据抽取和预处理：（1）数据抽取：在自研的5G智慧食安工业物联网数字化管理平台数据库中抽取主营低油脂型菜品（江浙粤菜系）的餐饮店的废弃油脂回收数据，包括本期回收日期、餐饮店编号、菜系类型、所在地区、本期废弃油脂回收量、上期回收日期。（2）数据预处理：对抽取的数据进行清洗，去除重复、错误或无关的信息，以便后续的分析和建模。 2.基于废弃油脂回收数据推测餐饮店用油量：（1）计算本期日均回收量：利用DAYS函数计算本期与上期的间隔天数；本期日均回收量=本期废弃油脂回收量÷本期与上期间隔天数；（2）确定反推系数：根据经调研获得的低油脂型菜品（江浙粤菜系）餐饮店的历史实际用油数据和历史废弃油脂回收数据，利用线性回归算法，得到反推系数区间为2~4%。（3）建立用油量推测模型：本期推测日均用油量上限=本期日均回收量÷反推系数区间下限（即2%）；本期推测日均用油量下限=本期日均回收量÷反推系数区间上限（即4%）；本期推测日均用油量下限到上限之间的区间，即为本期用油量的合理范围。

浙江省数据知识产权登记平台2024-11-29 更新280

重油脂菜品型（湘川赣菜系）餐饮店用油推测数据

本数据集依托于重油脂菜品型（湘川赣菜系）餐饮店的废弃油脂回收记录，运用科学严谨的算法模型，精确推算出各餐饮店的用油量范围，具有广泛的应用潜力与价值。1.对餐饮店而言，本数据有助于监测食用油的质量水平，如果店里的实际用油量没有落在推测用油量的区间内，则说明食用油可能存在质量问题。2.对餐饮监管部门而言，本数据可作为其检查餐饮店购油票据的依据，如果餐饮店出示的票据所反映的用油量没有落在推测用油量的区间内，则意味着餐饮店可能存在用油方面的食品安全隐患。3.对餐饮领域的市场分析人员而言，通过本数据不仅可以从微观层面反映餐饮店的经营情况，还可以从宏观层面洞察餐饮行业的发展趋势和消费者偏好的变化，例如当本数据展示的推测用油量在一段时期内减少时，意味着消费者对重油脂型菜品（湘川赣菜系）的需求量的减少。4.对食用油供应商而言，通过本数据可以更准确地预测市场需求，合理地安排油脂的生产和供应，减少库存积压和缺货风险。5.对科研机构而言，本数据可为其开展餐饮行业用油及废弃油脂处理的相关研究提供基础性的实证支持。1.数据抽取和预处理：（1）数据抽取：在自研的5G智慧食安工业物联网数字化管理平台数据库中抽取主营重油脂型菜品（湘川赣菜系）的餐饮店的废弃油脂回收数据，包括本期回收日期、餐饮店编号、菜系类型、所在地区、本期废弃油脂回收量、上期回收日期。（2）数据预处理：对抽取的数据进行清洗，去除重复、错误或无关的信息，以便后续的分析和建模。 2.基于废弃油脂回收数据推测餐饮店用油量：（1）计算本期日均回收量：利用DAYS函数计算本期与上期的间隔天数；本期日均回收量=本期废弃油脂回收量÷本期与上期间隔天数；（2）确定反推系数：根据经调研获得的重油脂型菜品（湘川赣菜系）餐饮店的历史实际用油数据和历史废弃油脂回收数据，利用线性回归算法，得到反推系数区间为6~8%。（3）建立用油量推测模型：本期推测日均用油量上限=本期日均回收量÷反推系数区间下限（即6%）；本期推测日均用油量下限=本期日均回收量÷反推系数区间上限（即8%）；本期推测日均用油量下限到上限之间的区间，即为本期用油量的合理范围。

浙江省数据知识产权登记平台2024-11-29 更新760

食材验收的智能监测数据

食材验收数据的智能监测与分析是一个创新的量化工具，可用于有效管控数据，确保原料质量、降低食安风险，并优化供应链管理。 1.食堂可以通过本数据了解当前食堂食材库存及验收状况，出现食材品类不匹配和数量不匹配时可以通过食材批次号、验收时间等数据快速溯源，及时发现潜在的食材验收问题并做出针对性的措施。2.为食堂带来数字化流程优化，替代纸质验收单，通过移动端录入数据（如拍照上传检疫证明），提升效率和透明度。与ERP系统对接，自动生成采购对账和付款依据，减少纠纷。3.餐饮监管部门可以利用本数据作为监管食堂食材验收成果的依据之一，可通过指数的变化及时发现食材验收长期不合格的食堂，提前进行干预和指导。4.食堂或和监管机构可以将本数据对外披露公开，体现本单位或本地区对食品追溯工作的重视和承诺，有利于增强用餐者的信任。5保险公司可根据本数据提前识别目标食堂客户的投保风险，从而确定相关保险产品的定价，如食品安全责任险。1.数据抽取和预处理：（1）数据抽取：在自研的5G智慧食安工业物联网数字化管理平台数据库中抽取相关食堂的食材验收数据，包括操作时间、批次编号、供应商、合计金额（元）、明细批次号、食材分类、食材名称、计算规格、单位、单价（元）、数量（斤）、小计（元）、验收信息、异常次数、仓库等。（2）数据预处理：对抽取的数据进行清洗，去除重复、错误或无关的信息，以便后续的分析。本数据对供应商敏感信息进行匿名化，充分保障隐私。2.基于食材验收数据进行验收合规判定：（1）重量合规判定：若“验收信息-数量”的绝对值/数量≤5%，则判定为“ 合格”，反之则判定为“ 不合格”；（2）食材合规判定：若实际金额=该批次编号的小计总和，则判定为“ 合格”，反之则判定为“ 不合格”；（3）建立食材验收异常率：计算近30日异常率 = ∑[单日异常批次] ÷ 总验收批次 × 100%。

浙江省数据知识产权登记平台2025-09-19 更新1090

餐饮企业废弃油脂溯源有效管控数据

餐饮企业废弃油脂溯源有效管控数据是一个创新的量化工具，可用于可服务于餐饮产业链各环节的精细化管理和创新发展。1.对餐饮企业而言，本数据可实时监控后厨用油-产废比，若废弃油脂量异常偏离菜品标准的理论值，则提示可能存在违规用油或废油非法回流风险，需立即启动食品安全自查。2.对监管部门而言，本数据构建的"用油-产废"动态模型可智能识别异常企业。当企业申报的采购量、废弃量与系统推算值偏差超过10%时，自动触发重点核查机制。3.对保险公司而言，本数据可构建餐饮企业用油安全风险评估模型。通过分析废弃油脂的产出规律、处置合规性等数据指标，保险公司能够精准评估投保企业的食品安全风险等级，开发差异化的保险产品。4.对环保设备厂商而言，本数据为其产品研发和市场拓展提供了重要参考。通过分析不同规模餐饮企业的废油产出特征，厂商可针对性开发智能收集设备。1.数据抽取和预处理：（1）在经原始数据授权的前提下，从本单位运营的“智慧绿色环境数字化产业管理平台”上获得由本单位研制的智能油水分离机采集的社会餐饮业的每期废弃油脂收存数据。（2）对抽取的数据进行清洗，去除重复、错误或无关的信息，以便后续的分析和建模。2.算法加工步骤： ①分步骤算法：计算当期与上期的间隔天数d；计算当期日均收存量At：当期日均收存量At=当期废弃油脂收存量Ct÷当期与上期间隔天数d；计算基准日均收存量Abase：基准日均收存量Abase=前三期废弃油脂收存总量（Ct-1+Ct-2+Ct-3）÷前三期总天数（dt-1+dt-2+dt-3）；计算当期日均收存量偏离率Deviationt：当期日均收存量偏离率Deviationt=（当期日均收存量At-基准日均收存量Abase）÷基准日均收存量Abase×100%；根据当期日均收存量偏离率Deviationt的值判定当期收存状态Statet：①若当期日均收存量偏离率Deviationt≥10%或≤-10%，则判定为“异常”；②若当期日均收存量偏离率Deviationt＜10%且＞-10%则判定为“正常”。

浙江省数据知识产权登记平台2025-09-17 更新240

餐饮企业冷藏柜温度有效管控数据

餐饮企业冷藏柜温度有效管控数据是一个创新的量化工具，可用于确保冷藏温度持续符合《餐饮服务食品安全操作规范》，在温度异常时抑制细菌繁殖（温度＞6°C时细菌增速超300%）造成的风险程度。 1.餐饮企业可以通过本数据了解当前冷藏柜环境的整体风险情况，通过实时温度监控，确保食材存储合规，降低食品安全事故风险，避免监管处罚或顾客投诉。2.餐饮监管部门可以利用本数据作为监管餐饮企业食品安全的依据之一，通过企业上传的温度大数据，识别高频违规门店，定向抽查。也可以依据行业温度达标率，调整冷链食品储存标准。3.保险公司可通过企业温控数据质量评估风险，优化食责险定价，提前识别目标餐饮企业对标客户的投保风险，建立差异化的保费定价模型。4.本数据还能为食品冷藏柜、温度检测仪厂家对提供温度数据托管分析服务，帮助客户优化存储策略。1.数据抽取和预处理：（1）数据抽取：在自研的5G智慧食安工业物联网数字化管理平台数据库中抽取相关冷藏柜温度数据，包括发生时间、所在区域、设备编号、温度°C、数据状态、处理状态。（2）数据预处理：通过部署在通过部署在冷藏柜内的WIFI温度传感器实时采集温度数据（精度±0.3°C，每分钟1次）。对抽取的数据进行清洗，去除重复、错误或无关的信息，以便后续的分析和建模。 2.基于企业冷藏柜温度数据预测冷藏柜食品安全风险：（1）温度状态判定：若温度在0°C到6°C之间，则判定为“正常”；温度＞6°C，或＜0°C，则判定为 "异常"；（2）处理状态判定：若数据状态为“正常”，则判定为“无需处理”，反之则为“未处理”；（3）计算近30日异常率：近30日异常率= ∑[单日异常时段数] ÷ 总监测时段数 × 100%。

浙江省数据知识产权登记平台2025-09-17 更新250

中等油脂菜品型（云贵鲁陕菜系）餐饮店用油推测数据

本数据集依托于中等油脂菜品型（云贵鲁陕菜系）餐饮店的废弃油脂回收记录，运用科学严谨的算法模型，精确推算出各餐饮店的用油量范围，具有广泛的应用潜力与价值。1.对餐饮店而言，本数据有助于监测食用油的质量水平，如果店里的实际用油量没有落在推测用油量的区间内，则说明食用油可能存在质量问题。2.对餐饮监管部门而言，本数据可作为其检查餐饮店购油票据的依据，如果餐饮店出示的票据所反映的用油量没有落在推测用油量的区间内，则意味着餐饮店可能存在用油方面的食品安全隐患。3.对餐饮领域的市场分析人员而言，通过本数据不仅可以从微观层面反映餐饮店的经营情况，还可以从宏观层面洞察餐饮行业的发展趋势和消费者偏好的变化，例如当本数据展示的推测用油量在一段时期内减少时，意味着消费者对中等油脂型菜品（云贵鲁陕菜系）的需求量的减少。4.对食用油供应商而言，通过本数据可以更准确地预测市场需求，合理地安排油脂的生产和供应，减少库存积压和缺货风险。5.对科研机构而言，本数据可为其开展餐饮行业用油及废弃油脂处理的相关研究提供基础性的实证支持。1.数据抽取和预处理：（1）数据抽取：在自研的5G智慧食安工业物联网数字化管理平台数据库中抽取主营中等油脂型菜品（云贵鲁陕菜系）的餐饮店的废弃油脂回收数据，包括本期回收日期、餐饮店编号、菜系类型、所在地区、本期废弃油脂回收量、上期回收日期。（2）数据预处理：对抽取的数据进行清洗，去除重复、错误或无关的信息，以便后续的分析和建模。 2.基于废弃油脂回收数据推测餐饮店用油量：（1）计算本期日均回收量：利用DAYS函数计算本期与上期的间隔天数；本期日均回收量=本期废弃油脂回收量÷本期与上期间隔天数；（2）确定反推系数：根据经调研获得的中等油脂型菜品（云贵鲁陕菜系）餐饮店的历史实际用油数据和历史废弃油脂回收数据，利用线性回归算法，得到反推系数区间为4~6%。（3）建立用油量推测模型：本期推测日均用油量上限=本期日均回收量÷反推系数区间下限（即4%）；本期推测日均用油量下限=本期日均回收量÷反推系数区间上限（即6%）；本期推测日均用油量下限到上限之间的区间，即为本期用油量的合理范围。

浙江省数据知识产权登记平台2024-11-29 更新310

餐饮企业食品留样状态可信管理数据

本数据可用于餐饮企业食堂食品留样工作状态的每日监测，为食堂加强食品安全管理提供辅助依据，对食品安全事故进行有效分析依据。若每日留样状态出现“异常”，则表明食物留样工作存在操作违规或操作失误，食堂管理人员应立即介入并加以纠正。若近30日留样异常率偏高，则表明食堂食物留样工作的合规性偏弱，需要对相关人员进行有效的教育和培训。1.数据采集：在原始数据授权的前提下从本单位运营的5G智慧食安工业物联网数字化管理平台上获得餐饮企业的食品留样数据。2.算法加工步骤：（1）第一步，对采集到的原始数据进行去重、脱敏；第二步，对今日留样状态S（T）进行判定：①若留样数量是否满足要求、留样重量是否满足要求、留样温度是否满足要求均为是则判定为正常，出现一次否则判定为异常；② 若实际留样数量等于应留样数量则判断留样数量是否满足要求为是否则为否；③ 若留样样品最小重量克（G）≥125G 则判断留样重量是否满足要求为是否则为否；④若留样时样品最高温度（°C）≤25°C 则判断留样温度是否满足要求为是否则为否；第三步，计算近30日留样异常天数A；第四步，计算近30日留样异常率R：近30日留样异常率R=近30日留样异常天数A÷30×100%。（2）整合算法：R=（∑[S（Ti）=异常]，i=1,2,3,…,30）÷30×100%S（Ti）=异常，if 留样数量是否满足要求、留样重量是否满足要求、留样温度是否满足要求出现一次否；正常，if 留样数量是否满足要求、留样重量是否满足要求、留样温度是否满足要求均为是

浙江省数据知识产权登记平台2024-10-12 更新210