1 / 26
文档名称:

用于管理一组产奶动物的方法和设备及其计算机程序产品的制作方法.docx

格式:docx   大小:33KB   页数:26页
下载后只包含 1 个 DOCX 格式的文档,没有任何的图纸或源代码,查看文件列表

如果您已付费下载过本站文档,您可以点这里二次下载

分享

预览

用于管理一组产奶动物的方法和设备及其计算机程序产品的制作方法.docx

上传人:421989820 2023/3/28 文件大小:33 KB

下载得到文件列表

用于管理一组产奶动物的方法和设备及其计算机程序产品的制作方法.docx

相关文档

文档介绍

文档介绍:该【用于管理一组产奶动物的方法和设备及其计算机程序产品的制作方法 】是由【421989820】上传分享,文档一共【26】页,该文档可以免费在线阅读,需要了解更多关于【用于管理一组产奶动物的方法和设备及其计算机程序产品的制作方法 】的内容,可以使用淘豆网的站内搜索功能,选择自己适合的文档,以下文字是截取该文章内的部分文字,如需要获得完整电子版,请下载此文档到您的设备,方便您编辑和打印。用于管理一组产奶动物的方法和设备及其计算机程序产品的制作方法
专利名称::用于管理一组产奶动物的方法和设备及其计算机程序产品的制作方法
技术领域:
:本发明涉及用于管理一组产奶动物的方法和设备,以及用于此目的的计算机程序产品。在第一方面,本发明涉及用于管理一组产奶动物的方法,其中,每一头动物都可以分别地通过动物标识系统来识别,其中,自动地通过挤奶设备为动物进行挤奶,动物给出分别实现的产奶量。
背景技术:
:在VanDuinkerken等人所著的"PraktijkRapportRundvee37"(Wageningen,2003)中描述了喂养乳牛并自动地挤奶的方法,其中,通过动态模型确定按照产奶量喂养的产奶动物的各自响应。已经证实,在实践中,此方法没有始终产生最经济的结果,它没有考虑可能不利的其他因素,如,例如,母牛的健康。
发明内容本发明的目的是消除上文所提及的缺点中的至少一部分,或至少提供已知方法的备选方案,为此,本发明提供了根据权利要求1所述的方法。具体来说,本发明提供了用于管理由多头产奶动物组成的一组产奶动物的方法,其中,每一头动物都可以分別地通过动物标识系统来识别,其中,为动物进行挤奶,动物给出各自实现的产奶量,其中,用个体配给量喂养动物,其中,收集关于产奶动物组的数据,该数据至少包括所述各自实现的产奶量和消耗的配给量,其中,根据所述数据,通过模型,估计随后的个体产奶量,其中,对于一个或多头动物,在一个前提条件下,在调节步骤中调整各个动物的个体配给
7量和挤奶这两项中的至少一项。当然,随后可以提供相关的配给量或执行相关的挤奶操作。因为已经提供了前提条件,也可以考虑其他情况。如此,可以改善管理,因为它不排他地致力于最大化每一头单个产奶动物的产奶量。当然,在此情况下,前提条件不应该是"最大化每一头单个产奶动物的产奶量"。前提条件可以是多种类型的。下面将讨论优选的实施例。在一个优选实施例中,前提条件包括在调节步骤之后单个产奶动物的预测的铜料平衡比在调节步骤之前的实现的饲料平衡高一些,其中,实现的饲料平衡和预测的祠料平衡分别等于关联的实现的和预测的产奶量的收益,分别减去关联的实现的和预测的配给量的成本。当然,这是指"紧接在之前",在考虑的步骤之间相对于配给量或挤奶从来没有另一个调节步骤。上文所提及的前提条件的显著的优点是,我们不十分注重总的产奶量,而是注重产奶动物的效率。归根结底,如果产奶动物的花费比它产生的收入更多,让这头产奶动物产生更多的牛奶是没有意义的。此外,这样的效率降低的情况常常是喂料太多的迹象或可能有一定的健康风险。然而,显而易见的是,配给量的牛奶生产潜力没有被最佳地利用。在优选实施例中,前提条件包括,对于整个组,在调节步骤之后各个产奶动物的预测的饲料平衡的总和大于调节步骤之前实现的饲料平衡的总和。这提供了特殊的优点,因为我们这里是将组作为一个整体,而不是只考虑单个动物。例如,并非所有的动物都一样有效地
将它们的配给量转换为牛奶,这是可能的,在实践中,也常常是这种情况。换句话说,不使每一头单个动物在饲料平衡方面达到其个体最大值,而是,例如,只使就饲料而言最高效的动物达到饲料平衡的最大值才有意义。如果有无限的饲料和牛奶容量可用,此实施例也许在某种程度上优越性稍差些,但是,它可能产生非常显著的优点,特别当应用额外的前提条件时。例如,如果由于干旱或某些相似的条件只有有限量的饲料可用,最佳地利用该实施例将产生明显的优点。配给量可以包括每天的精饲料量或它们的能量当量。由于其比较8高的比能含量,精饲料非常适合于控制产奶量。配给量也可以至少包括第二种饲料,具体来说,适量的粗饲料。虽然粗铜料并不总是适合作为控制变量,即,调整变量,因为它常常免费可用,然而,有时能够通过这种饲料进行控制并使第二种饲料成为调节步骤中的调整变量是十分有用的。例如,这样做时,可以对精饲料摄取量,建立动物特定要素的模型,如位移,或,正相反,对精饲料摄取量的增强影响。具体
来说,至少部分地通过计算机控制的喂料装置对动物进行喂养。虽然人工进行喂养显然也是可以的,但是,这样的计算机控制的喂养相对于人类劳动的准确性和局限性,具有很多优点,因为设备可以整天提供饲料。在优选实施例中,喂料装置包括饲料配量计,以确定饲料量。在更优选的实施例中,饲料配量计适合于测量至少两种饲料或配给量。具体来说,设备包括混合器,用于混合至少两种饲料,因为已经确定,有时,提供混合饲料对产奶量有积极的效果。在特殊实施例中,前提条件包括单个产奶量的总和不超出预定的奶配额。在这样的情况下,当然不可能或者甚至不允许生产超过分配的奶配额的奶。这可能由于贮罐或类似的设备的容量,但是,在实践中,这更与由政府所提供的奶配额有关。在这样的情况下,当给出产量限额时,最大化每个单个产奶动物常常不会产生最佳结果。的确,高效的产奶动物提供较高的伺料平衡以及类似的奶量。也可以这样一头产奶动物的类似的产奶量的值比另一头产奶动物高,例如,由于较高的脂肪含量。着眼于整个组并优化整个组的结果,这个思想可以产生较好的结果。在特定实施例中,前提条件包括,对所有产奶动物进行挤奶的总时间至多等于每天的有效挤奶时间。例如,一天只有24小时,在该过程中,挤奶器只有有限的容量。因此,提供如此多的配给量以使动物产生超过其能力的产奶量是没有意义的。也可以将此称为一种奶配额。此外,对于组进行优化,也可以产生较好的结果。具体来说,作为预定数量的以前的
天数的所述每天的有效挤奶时间的函数,更具体来说,作为其平均值的函数,来测量所述每天的有效挤奶时间。例如,如此可以减小挤奶工的技能的变化。事实上,我们已经将这一点视为动态模型,其中,还有调整变量之外的其他数字可以随着时间的推移而变化,虽然也可以将每天的有效的挤奶时间视为变量。优选情况下,自动地通过挤奶设备为动物进行挤奶,优选情况下,挤奶设备是由计算机控制的,例如,诸如挤奶机器人之类的自动挤奶系统(AMS)。与计算机控制的喂料装置一样,这可以提供精确性和易用性等优点。然而,除此之外,还有巨大的优点,因为可以在任何所需的时刻对产奶动物进行挤奶,如此,例如,比每天两次更频繁一些。已经证实,这样常常产生更高的总的日产奶量。具体来说,前提条件包括,通过所述挤奶设备对所有产奶动物进行挤奶的总时间至多等于所述挤奶设备的每天的有效挤奶时间。显然,甚至自动挤奶设备也具有每天的最大挤奶时间。此时间受到,例如,清洁和/或维护设备所需的时间、没有动物存在的时间、不能被挤奶或可能还不能被挤奶的产奶动物本身存在并且如此必须再次离开AMS的时间的限制。此前提条件可以再次在模型中提供额外调整变量或决策准则。的确,不是每一个产奶动物都具有一样高的挤奶速度。因此,如果没有无限的挤奶时间可用,可以在模型中选择由在相对来说较少的时间内产奶的产奶动物有更多的产奶量。此外,在挤奶间隔变化的情况下,间隔时间灵敏度,即,产奶量的
(相对或绝对)变化,也不是每个产奶动物都相同的。当我们寻找最佳结果时,我们也可以改变此参数。有利的是,挤奶间隔、挤奶真空度、挤奶过程中的吸入/停止比率,和/或在挤奶过程中应用的挤奶程序是可调节的。如上文所提及的,较短的挤奶间隔可以增大总日产奶量。在应用可能有最大挤奶时间的前提条件的情况下,那么可以选择最佳挤奶间隔。如此,这也可以是一个动态系数或变量或者调整变量。这样的考虑对挤奶真空度(对于某些产奶动物,可以设置得高一些,如果它们轻松地产奶的话),以及对于吸入/停止比率和挤奶程序(例如,包括或只包括特殊的后挤奶程序,如果这对于(每单位时间可能的)产奶量有益的话)也是有效的。显然,其他变量(如果有的话),不应该被排除。在特定实施例中,动物的数量是可变的。对于此,可以考虑这也是实践中的情况这一事实。例如,某些产奶动物可能病了或由于其他原因而不产奶,以致于事实上,必须将它们从模型中去除(不再有产奶量)。一些类似的东西也可以相反应用于添加到组中的产奶动物。可以轻松地调整模型,以便一旦去除了或添加某些产奶动物,就修改整个组的估计。可以通过添加高产或,另一方面,低产生产奶动物,来移动最佳值。这在统计模型中不可能或几乎不可能处理。具体来说,在模型中包括了各个动
物的权重因子。例如,不存在或(视情况而定)存在的产奶动物可以轻松地用权重因子0和1表示。如果需要,例如,对于不产生可使用的牛奶,但由于饲料费(至少部分地)在计算时仍要包括的有病的产奶动物,也可以包括中间的权重因子。优选情况下,模型是在计算机中实现的,优选情况下,在计算机中输入关于产奶动物组的数据,其中,由计算机根据所述数据,通过模型,计算随后的个体产奶量。这样,可以利用数据调整模型,在此之后,计算机本身可以重新计算配给量和/或挤奶间隔等等的值,并在必要时调整这些值。当然,这样的重新计算也可以无需计算机的辅助来进行,但是使用计算机使管理员的工作更加容易,他不再需要参与到这样的调节步骤中。的确,可以通过计算机收集诸如产奶量、牛奶成份之类的数据,也许还有实际的配给量摄取量,或任何其他可能看起来在以后的某一时间有用的数据,计算机可以进行预测,并通过使用已经安装的嵌入的控制逻辑或软件独立地调整设置。在某些实施例中,模型包括带有固定系数的静态模型。利用这样的模型,事实上可以预先(即,独立于测量值)计算最佳产奶量。然后,也可以直接地给出个体配给量的关联设置,如果需要,以及给出诸如个体挤奶间隔、牛奶真空度装置、吸入/停止比率、挤奶程序之类的一个或多个变量。起始数据可以基于从资料已知的平均值,或者,优选情况下,基于每个产奶动物的历史数据。在必要时,模型可以被配置为逐步地建立精饲料供应,例如,
,实际产奶量也以对应的方式增长到其最佳值。然而,已经利用模型的初始计算固定了(最佳)最终值。优选情况下,个体配给量应针对作为组取得最大结果而进行优化。然而,优选情况下,如果产奶动物的数量变化,例如,在产奶动物有病或购买了产奶动物的情况下,将执行新的计算和调节步骤。值得注意的是,利用所有这样的带有固定系数的模型,不能处理个体变化,例如,泌乳周期随着时间的变化。顺便说一句,所使用的模型可以是各种各样的。例如,公认的是,个体产奶量是依赖于给定配给量的二次方程式,其中,作为配给量的大小的函数,产奶量提高得较慢些。如此,可以针对例如最大产奶量(但是,更好的是,针对最大饲料平衡)计算每个产奶动物的最佳配给量。这归于一点产奶量(配给量)或者(产奶量(配给量)-成本(配给量))函数针对配给量的导数变为零。对于一组产奶动物,如果没有规定前提条件(例如,针对挤奶配额,可用的挤奶时间等等),可以通过,例如,个体优化,发现配给量的关联的个体最佳值。作为示例,如果有一个前提条件是有确定的挤奶配额,即,产奶动物组的总的产奶量,或最大可用的有效挤奶时间(实际也可以向最大总的产奶量逆向计算),可以通过回归理论,在实践中,也例如通过变化的个体配给量(带有一个前提条件是,针对配给量的个体导数都相互相等),来找出个体设置。的确,組的最佳值的特征在于下列条件对于每一
个产奶动物的无限小的变化必须显示对总值的相同影响。所有这些都可以利用正确的计算^L程序来轻+》地实现,对于此领域的专业人员来说,进行这种计算是简单的事情。在优选实施例中,模型包括贝叶斯时间序列分析模型,带有各个模型系数和至少部分地与时间有关的模型变量,至少包括每单位时间的产奶量,个体调整变量(配给),以及每个单位配给每单位时间的个体增量奶收益,其中,所述模型在观测方程中描述了一个或多个模型变量如何依赖于模型系数和模型变量,在系统方程中,描述了模型12系数如何随着时间的推移而发展,其中,所述模型包括至少一个个体调整变量的调整准则,所述调整准则表明了如何根据模型变量和模型系数更改个体调整变量。贝叶斯模型的比较大的优点是,它可以随着时间的推移而变化。如此,可以考虑到例如诸如产奶量的变化之类的生物过程,因为产奶动物经历泌乳期,或由于有病(例如,可能由于乳腺炎,产奶量缩小)等等。的确,这样的变化对个体最佳值的位置有影响,如此,也对组最佳值的位置有影响。贝叶斯模型(常常也被称为"动态"模型,例如,"动态线性模型"),可以考虑到这样的变化。例如,它们被考虑,因为模型是根据测量值而自适应地调节的。如果这些值偏离预测值,则贝叶斯模型认为它必须更新其本身(或使其本身被更新)。有关动态模型和关联的评估的详情可以在,例如,
West,M.,Harrison,J.,(1997),BayesianForecastingandDynamicModels,SecondEdition,SpringerVerlag,NewYork中找到。在图形描述中将讨论这样的模型的详细的示例。这样的模型具体包含观测方程,该观测方程描述了产奶量如何依赖于模型变量和系数,还包含系统方程,该系统方程描述了模型系数如何随着时间的推移而发展。下面将比较详细地描述这一内容的某些方面。值得注意的是,当测量值偏离预测值时,静态模型不变化。另外,动态模型也非常适合于考虑诸如价格变化之类的动态过程。当奶或配给量(或其一部分,如精饲料或者粗饲料)的价格变化时,最佳值的位置可能移动。牛奶成份也是随着时间的推移而变化的动态因素,以致于甚至每个产奶动物也会移动。利用这样的贝叶斯模型,所述控制包括a)在计算机中收集和输入关于产奶动物的模型变量和模型系数的起始数据,b)通过所述模型,依据每个时间量的配给量和每个单位配给量每单位时间的个体奶收益,产生每一个产奶动物的每单位时间的下一产奶量的个体预测值,c)通过所述挤奶设备对产奶动物进行挤奶,d)确定每一个产奶动物的产奶量,e)将每一个个体预测值与所述关联的确定的产奶量进行比较,f)根据所述确定的产奶量,通过所述模型,特别是系统方程,调整所述个体模型系数,g)通过所述调整准则,重新计算所述个体调整变量,h)根据重新计算出的调整变量,调整喂料装置。如应用贝叶斯系统所知的那样,这使得这些步骤可以在需要时进行模型调整。在优选实施例中,步骤