Содержание к диссертации
Введение
Глава 1. Анализ методов и биотехнических систем для мониторинга состояния животных на животноводческих предприятиях 11
1.1 Описание особенностей и условий производства животноводческого предприятия 11
1.2 Обзор и анализ биотехнических систем, методов и алгоритмов управления животноводческим комплексом 25
1.3 Методы обработки и анализа временных рядов 39
Выводы к главе 1 61
Постановка задачи исследования 62
Глава 2. Разработка математической модели формирования сигналов с датчиков и методов мониторинга состояний животных 64
2.1 Разработка математической модели формирования сигналов с датчиков функционального состояния животных 64
2.2 Разработка метода оценки функционального состояния животных на предприятиях молочного животноводства 73
2.3 Схема вычисления и агрегирования признаков 88
Выводы ко главе 2 90
Глава 3. Экспериментальное исследование разработанных методов 91
3.1 Экспериментальное исследование метода оценки состояния скрытого мастита коров на основе агрегирования данных с датчиков 91
3.2 Экспериментальное исследование метода прогнозирования охоты животного 96
3.3 Экспериментальное исследование методов идентификации отклонений значений во временных рядах 99
Выводы к главе 3 109
Глава 4. Разработка автоматической биотехнической системы мониторинга состояния здоровья животных и ее экспериментальное исследование 111
4.1 Проектирование автоматической биотехнической системы мониторинга состояния здоровья животных 111
4.2 Реализация автоматической биотехнической системы мониторинга состояния здоровья животных 113
4.3 Оценка оперативности, разработанной автоматической биотехнической системы мониторинга состояния здоровья животных 123
Выводы к главе 4 145
Заключение 149
Список литературы 151
- Обзор и анализ биотехнических систем, методов и алгоритмов управления животноводческим комплексом
- Разработка метода оценки функционального состояния животных на предприятиях молочного животноводства
- Экспериментальное исследование методов идентификации отклонений значений во временных рядах
- Оценка оперативности, разработанной автоматической биотехнической системы мониторинга состояния здоровья животных
Введение к работе
Актуальность работы. Качественное и оперативное управление дойным стадом на животноводческих предприятиях является необходимым условием достижения высокого уровня выпускаемой продукции. В настоящее время компьютеризация позволяет значительно повысить эффективность управления производством молока. Благодаря компьютеризации животноводства страны Европы, США, Индия стали мировыми лидерами по производству сырого молока. Компьютеризация животноводства осуществляется на основе разработки и внедрения биотехнических систем управления животноводческими предприятиями (в частности молочного скотоводства). Основными лидерами в области разработки биотехнических систем управления предприятиями молочного скотоводства являются: Afimilk (Израиль); DeLaval (Швеция); Westfalia Landtechnik (Германия); S. A. Christensen &Со (Дания). В настоящее время происходит интенсивное внедрение подобных АИС на российских животноводческих предприятиях.
Компьютеризация процесса мониторинга на животноводческом предприятии позволяет решать задачи, связанные с управлением процессов доения, кормления, контроля качества молока, учета и хранения ключевых показателей состояния животных и другое. Основными источниками данных, поступающих в биотехнические системы для последующего хранения и обработки, являются данные с разнообразных сенсоров, размещаемых как на животных, так и на объектах предприятия. Решение научно-технических задач, состоящих в разработке новых и совершенствовании существующих методов и средств обработки сенсорных данных с целью повышения эффективности работы указанных систем, имеет важное значение.
Степень разработанности темы исследования.
Исследования для создания методов и средств обработки информации в биотехнических системах сейчас ведутся следующими авторами:
в области автоматической диагностики заболеваний коров маститом известны работы следующих ученых Голобоких П.И., Дайбова Л.А., Kamphuis C., de Mol R.M., Cavero D., Chagunda M.G.G и др.;
вопросами применения систем сенсоров для управления молочными фермами занимались: Steeneveld W., Chapinal N., A. M. de Passille и др.;
в области статистического анализа данных систем автоматизированного доения известны работы Elischer M. F. и Lovendahl P и др.
Однако, применение данных методов и средств не позволяет решить следующие проблемы: несвоевременное выявление животных с отклонениями в здоровье (в результате снижается оперативность принимаемых мер по изоляции и лечению животных); большие трудозатраты на диагностику функционального состояния каждого животного; недостаточная степень достоверности получаемых результатов анализа состояния животных в результате использования неинвариантных ко времени данных с сенсоров, применяемых для оценки состояния животных; отсутствие возможности настройки существующих автоматизированных биотехнических систем с учетом особенностей конкретного фермерского хозяйства (т.е. показатели с сенсоров не инвариантны к условиям содержания стада); отсутствие экрана мониторинга для визуализации состояния всего поголовья жи-3
вотноводческого комплекса для выявления групп животных, находящихся в определенных состояниях.
Перечисленные проблемы негативно влияют на качество молока и эффективность работы животноводческого комплекса в целом.
Таким образом, существует проблемная ситуация, связанная с отсутствием оперативного и достоверного мониторинга состояния животных на фермерских предприятиях и требующая разработки новых методов и алгоритмов обработки и анализа данных с биологических датчиков, позволяющих эффективно управлять функциональными состояниями животных в дойном стаде.
Для разрешения указанной проблемной ситуации предлагается использование ряда методов, связанных с выделением и агрегированием признаков.
В частности, в областях компьютерного зрения и анализа данных в микробиологии, успешно применяли методы агрегирования данных различной природы следующие авторы: Vohra A., Jong-Hann J., Jourde K., Gibert D., Zena Hira M., Duncan F.
Применение методов, разработанных указанными авторами, обеспечивает высокий уровень надежности получаемых результатов анализа данных.
Тем не менее, рассмотренные методы очень специфичны и не позволяют анализировать данные с сенсоров на животноводческих предприятиях. В связи с этим требуется разработка новых методов и алгоритмов, основанных на существующих подходах и методах.
Таким образом, повышение оперативности и достоверности мониторинга состояний животных на основе применения методов выделения признаков и агрегирования данных с сенсоров является актуальной научно-технической задачей.
Объект исследований – методы и биотехнические системы управления функциональным состоянием животного.
Предмет исследования - методы и алгоритмы автоматического мониторинга состояния животных на предприятиях молочного производства.
Цель работы - обеспечение оперативности и достоверности диагностики и прогнозирования функционального состояния животных в дойном стаде на основе анализа временных рядов показателей их жизнедеятельности.
Задачи исследования.
Для достижения поставленной цели необходимо решение следующих задач:
1. Анализ технологического процесса животноводческого предприятия,
средств обеспечения автоматического мониторинга и процесса управления функ
циональным состоянием животных дойного стада.
2. Построение математической модели формирования сигналов с датчиков
функционального состояния животных.
-
Разработка методов преобразования временных данных, поступающих с сенсоров, установленных на животных предприятия, для выявления наличия выбросов.
-
Разработка методов выделения комплексных показателей состояния здоровья животных.
-
Создание биотехнической системы поддержки принятия решений о функциональном состоянии животных на основе предложенных методов.
-
Экспериментальное исследование разработанных методов и системы.
Соответствие паспорту специальности. Содержание диссертации соответствует п.9 «Разработка проблемно-ориентированных систем управления, принятия решений и оптимизации технических, экономических, биологических, медицинских и социальных объектов» паспорта научной специальности 05.13.01 – «Системный анализ, управление и обработка информации».
Научная новизна работы:
-
Предложен метод преобразования временных рядов с датчиков биологической информации о животных в дойном стаде, отличающийся использованием z-нормализации и временного сдвига данных и позволяющий обнаруживать выбросы во временных рядах, аппроксимируемых функцией Вейбулла.
-
Разработан метод оценки функциональных состояний животных, отличающийся использованием предложенного метода преобразования временных рядов с датчиков биологической информации и агрегирования выделенных признаков, обеспечивающий более достоверную и оперативную идентификацию состояний животных.
-
Предложен метод и его реализация для прогнозирования наступления охоты животного на основе анализа спектра Фурье сигнала с датчиков активности, обеспечивающий более достоверное планирование перехода особи в состояние охоты.
Теоретическая значимость исследования.
Предложенные новые методы обработки временных рядов, отображающих параметры функционального состояния животных, и выделения признаков могут быть использованы в смежных областях животноводства и ветеринарии в качестве методов предварительного анализа состояния животных.
Практическая значимость:
разработана и внедрена биотехническая система поддержки принятия решений о функциональном состоянии животных в дойном стаде, обеспечивающая заданную достоверность и оперативность распознавания нехарактерных изменений в состоянии здоровья животного на животноводческом предприятии;
определена область практического использования разработок для создания систем поддержки принятия решений о функциональном состоянии животных в дойном стаде;
представлены методические рекомендации по настройке разработанной системы поддержки принятия решений.
Методы исследования. Применительно к задаче диссертации результативно использованы методы математической статистики, выявления выбросов и прогнозирования во временных рядах, численные методы и методы обработки сигналов.
Положения, выносимые на защиту.
-
Метод преобразования входного сигнала, поступающего с датчика биологической информации, позволяющий обнаружить выбросы во временных рядах.
-
Метод оценки функциональных состояний животных, обеспечивающий более достоверную и оперативную идентификацию состояний животных.
-
Метод и его реализация прогнозирования наступления охоты животного, обеспечивающий более достоверное планирование перехода особи в состояние охоты.
-
Биотехническая система поддержки принятия решений о функциональном состоянии животных в дойном стаде, обеспечивающая оперативное управление молочным стадом.
-
Результаты экспериментальных исследований разработанных методов и системы.
Достоверность полученных результатов обеспечивается корректностью применения математического аппарата, методов исследования и соответствием характеристик измерителей заявленным требованиям и подтверждена результатами экспериментальных исследований.
Результаты работы получены автором в результате выполнения двух грантов:
-
УМНИК 2013-2015 №262ГУ1/2013, 4716ГУ2/2014 “Разработка интеллектуальной системы управления молочным хозяйством на основе совмещения мониторинговых и родословных данных”.
-
Грант администрации Владимирской области “Интеллектуальная автоматизированная информационная система управления животноводческим комплексом”.
Диссертационная работа и отдельные ее части докладывались и обсуждались на международной конференции “КрыМиКо 2015” (СевГУ, г. Севастополь, 2015), международной конференции “ICIE-2015” (ЮУрГУ, г. Челябинск, 2015), международной конференции “Stability and Control Processes” in Memory of V.I. Zubov” (СПбГУ, г. Санкт-Петербург, 2015), международной конференции “Распознавание-2017” (ЮЗГУ, г. Курск, 2017), Всероссийской конференции “Зворыкинские чтения” (МИ ВлГУ, г. Муром, 2015, 2016, 2017), на научно-технических семинарах кафедры “Физика и прикладная математика” (МИ ВлГУ, г. Муром, 2014, 2015, 2016, 2017).
Практические результаты диссертационной работы успешно внедрены на животноводческом предприятиях ООО “Борисоглебское” Муромского района, ООО “Агровизор” г. Саров, а также используются в учебных курсах “Теория принятия управленческих решений”, “Математические методы обработки информации” и “Имитационное моделирование” по направлениям подготовки 01.03.02, 01.04.02 “Прикладная математика и информатика” МИВлГУ г. Муром
Публикации. По теме диссертационной работы опубликовано 17 научных работ, из которых 7 опубликовано в научных рецензируемых журналах, входящих в перечень ВАК Минобрнауки РФ, 4 работы опубликованы в научных журналах, входящих в системы цитирования Scopus и WoS. Получено 2 свидетельства о регистрации программ для ЭВМ.
Личный вклад. Все выносимые на защиту положения разработаны соискателем лично. В основных научных работах по теме диссертации, опубликованных в соавторстве, лично соискателем разработаны в [1, 3, 8, 9, 12-14] – методы преобразования временных рядов с сенсоров биологической информации и выделения признаков на основе выполненной обработки, [4, 5, 10, 11] – методика распознавания состояний животных по выделенным признакам и методы выявления охоты животных, [2, 7, 15] – экспериментальные исследования разработанных методов.
Структура и объем работы. Диссертация состоит из введения, четырех разделов, заключения и библиографического списка, включающего 96 зарубежных и
116 отечественных наименований. Работа изложена на 178 страницах машинописного текста, содержит 36 рисунков и 30 таблиц.
Обзор и анализ биотехнических систем, методов и алгоритмов управления животноводческим комплексом
В настоящий момент на рынке информационных технологий существует несколько широко распространенных биотехнических систем, ориентированных на решение задач предприятий животноводческой направленности. Как правило, программный комплекс средств компьютеризации поставляется на предприятия вместе с аппаратным, так как их взаимодействие на физическом уровне уже реализовано со стороны производителя. В работе [176] показано, что на российском рынке ведущими поставщиками оборудования и программных решений компьютеризации животноводческих хозяйств являются зарубежные компании: Delaval (Швеция) и Westfalia Landtechnik (Германия). На их долю приходится 87,5% рынка. Тем не менее, существуют другие поставщики биотехнических систем, такие как S.A. Christensen & Со (Дания), Afimilk (Израиль). Существуют также отечественные разработки, но по своему функционалу они сильно уступают зарубежным конкурентам, поэтому в данной работе мы их не рассматриваем. Проанализируем слабые и сильные стороны приведенных систем.
В работах [29, 120, 150, 176] проанализирован комплекс компьютерных решений для молочного животноводства Delaval от компании-лидера рынка Alpro. Рассматриваемая компания предлагает полный спектр решений для компьютеризации предприятия. Предлагается несколько видов автоматических и полуавтоматических залов доения, видов доильного оборудования; систем автоматического кормления с программированием рациона для каждой особи или группы; системы контроля активности животных, включающие различные типы датчиков движения животных, и другое. В качестве основных функций в [176] указан контроль за биологическим состоянием животного, но механизмы и подробное описание реализации данной функции в работе не приведено. На сайте предприятия отдельной функцией контроля вынесен пункт о регистрации мастита животного, в качестве идентификаторов заболевания предлагается оборудование для контроля соматических клеток и калифорнийский мастит-тест, который фактически применяется в ручном режиме. Результаты работы системы Delaval онлайн анализа данных с датчиков представлены на рисунке 1.1.
Представленный на рисунке экран мониторинга отображает информацию о текущем местоположении животного, величине надоя, а также специальном показателе вероятности возникновения мастита MDI. Алгоритм расчета коэффициента MDI не приведен ни в существующих по данной тематике работах, ни на сайте производителя и, как следствие, является коммерческой тайной, поэтому оценить результаты его работы на реальном предприятии не представляется возможным. Проведенный анализ и результаты исследований авторов [176] показали, что комплексный продукт Delaval полностью и частично решает следующие задачи животноводческого предприятия:
- контроль за надоями для каждого животного с расчетом коэффициентов среднесуточного периода и за весь период лактации;
- контроль за количеством съеденного корма;
- контроль за биологическим состоянием;
- выявление особей, находящихся в периоде охоты;
- возможность формирования календаря ветеринарных проверок. Из недостатков системы можно отметить отсутствие функции измерения веса; отсутствие описания алгоритма автоматического определения животных, больных маститом и невозможность его настройки; фрагментарность экрана мониторинга.
Еще одной широко распространенной системой на западноевропейском и российском рынках является Westfalia Landtechnik от производителя Dairy Plan. Производители поставляют оборудование для доильного зала, поения и кормления; а также средства для отслеживания состояния животных и их идентификации: ножной и нашейный чипы, антенны, для установки в залах доения и кормления; системы автоматического додаивания; проходные весы. Набор поставляемого оборудования является стандартным, тем не менее, в работах [121, 165, 176] отмечается расширенный функционал программной части поставляемого комплекса.
Результаты анализа данных, поступающих с датчиков в биотехнической системы Westfalia представлены на рисунке 1.2. Мониторинговый экран справа на рисунке 1.2 показывает диаграмму рассеяния значений признаков, где визуализируются группы животных с найденными отклонениями признаков.
Проведенный анализ системы и результаты, приведенные в работах [121, 165, 176], показали, что система Westfalia Landtechnik позволяет решить следующие задачи предприятия: - контроль за надоями для каждого животного с расчетом коэффициентов для каждой минуты дойки, среднесуточного периода, за весь период лактации, за год.
- измерение электропроводности получаемого во время дойки молока и идентификация мастита;
- компьютеризация процесса запрета доения животных, находящихся в периоде сухостоя, а также для больных животных, которым назначены вредные для содержания в молоке антибиотики.
- компьютеризация процесса снятия аппарата доения после завершения дойки;
- контроль за количеством съеденного корма, назначение индивидуального рациона каждому животному
- выявление особей, находящихся в периоде охоты;
- измерение веса животного;
- компьютеризация процесса отсеивания особей, не допущенных к дойке с помощью их регистрации на сортировочных воротах;
- функции планирования продаж молока, расчет себестоимости надоев, формирование рабочих планов.
Несмотря на широкий спектр функций нужно отметить недостатки системы: невозможность тонкой настройки и отсутствие знаний об алгоритмах идентификации животных с подозрением на заболевание конечностей и мастита; фрагментарность экрана мониторинга.
Система Crystal от компании Fullwood не так распространена на российском рынке, но является одной из самых используемых биотехнических систем для животноводства в мире. В работах [58, 122, 176, 199, 212], а также на сайте производителя указано, что поставляемый программно-аппаратный комплекс включает в себя оборудование для доильных залов, машинного кормления, поения, а также программное обеспечение для контроля и управления стадом. Биотехническая система Crystal оперирует данными об активности, весе, температуре, показателях крови, количестве принимаемого животным корма, а также данные о молочной продуктивности и электропроводности. поступающих с сенсоров оборудования доения. Согласно проведенному анализу системы и исследованиям, представленным в [58, 122, 176, 199, 212], данный продукт решает следующие задачи предприятия:
- Контроль и регистрация надоев.
- Ведение календаря ветеринарных мероприятий на основе анализа данных, поступающих с сенсоров.
- Идентификация мастита животного (метод не указан).
- Возможность формирования групп животных (вручную).
- Компьютерное отсечение животное от дойки на сортировочных работах на основе ветеринарного статуса животного.
Экран мониторинга рассматриваемой системы приведен на рисунке 1.3.
Разработка метода оценки функционального состояния животных на предприятиях молочного животноводства
Для оценки состояния животных молочного предприятия предлагается система методов обработки данных, основанных как на агрегировании признаков, так и на индивидуальной обработке каждого признака по отдельности.
Метод преобразования временных рядов с датчиков биологической информации
Основной принцип преобразования данных состоит в приведении временных рядов исследуемых биологических признаков к единой форме. Данная операция необходима для дальнейшего агрегирования и выделения новых признаков с помощью обработки временных рядов соразмерных величин.
Для решения этой задачи разработан метод на основе временного сдвига данных и z-нормализации.
Пусть г - последовательность моментов времени, в которые получены данные с биологического сенсора, т = {t0,t1,...fL}, где L - количество дней, в течение которых получены данные; {иi(і)} – множество временных рядов, полученных с датчиков биологической информации, где i = 1,..,n, n - количество животных предприятия. Тогда разработанный метод можно представить в виде следующих последовательных шагов.
Так как значения t\ для каждого временного ряда ЦІ(І) различно, то есть каждый ряд имеет разную точку начала на оси ОХ, на первом этапе осуществим временной сдвиг рядов fii(t), таким образом, чтобы точка начала снятия показаний с датчиков совпадала с началом координат {t - tj), где i = 1,..,n. Графически временной сдвиг сигналов представлен на рисунках 2.4, 2.5.
В этом случае математическое ожидание функции R(t) равняется 0, а данные равномерно распределены относительно оси ОХ. Таким образом, значения признака преобразованы так, что распределение случайной функции R(t) не зависит от времени.
Далее производим нормирование полученной центрированной функции R(t). Расчет значения среднего квадратического отклонения (СКО) признака производится по следующим формулам
Метод выделения признаков и распознавания функциональных состояний животных
Результатом работы метода является выделение новых признаков на основе агрегирования данных для оценки состояния животных предприятия. Анализ ряда работ и производственной деятельности предприятия показал, что наибольшая достоверность выявления ряда заболеваний животных и чрезвычайных ситуаций достигается при совокупном анализе нескольких факторов одновременно. Анализ литературы биологического характера также показал, что установлена связь признаков молочной продуктивности, электропроводности с возникновением мастита у животного. Эти параметры являются входными. Наличие у животного мастита является выходным параметром математической модели. Оно представлено в базе данных в виде 0 и 1 и определялось экспертом-зоотехником на предприятии. Таким образом, имеем набор из трех параметров.
При идентификации мастита животного используются три признака: объем полученного молока и его электропроводность. Пусть n – количество животных предприятия; i(t) – значение показателя молокоотдачи для i-ого животного в день наблюдения t; i(t) – значение показателя электропроводности для z-ого животного в день наблюдения t; v,{f) = {О ,1} - наличие или отсутствие, по мнению эксперта, у животного мастита.
Применение механизма агрегирования признаков предполагает соразмерность значений параметров, поэтому разность //ДУ) - rji{t) (где г = 0,1…и) не должна быть большой. В нашем случае показатель молокоотдачи измеряется в тысячах мл в день, а электропроводность молока в нескольких мСм/см, что в соответствии с определением евклидовой нормы делает один признак намного более значимым, чем другой, хотя на самом деле это не так. Также стоит отметить, что входные параметры имеют разные функции распределения (рисунок 2.3) и смещены во времени относительно начала лактационного цикла, как показано в (2.1). Таким образом, для применения агрегирования необходимо сделать признаки инвариантными ко времени и осуществить временной сдвиг случайных функций исследуемых параметров.
На первом этапе случайные функции {t) и //,{0 преобразуются к единой форме, применяя метод преобразования временных рядов согласно формулам (2.1)-(2.5). В результате выполненных выше математических операций были получены приведенные функции молокоотдачи и электропроводности. Выходной параметр v(i) не нуждается в приведении.
На втором этапе ведется расчет на основе модели, использующей агрегирование признаков Д. () и fj(t). В общем виде математическая регрессионная модель выглядит следующим образом
Для оценки коэффициентов регрессии кх и к2 необходимо найти зависимости между входными и выходным параметрами. Регрессионный анализ позволяет определить влияние отдельных независимых признаков на итоговый - зависимый. Если представить выходные параметры ju(t) и rj{t) в виде матрицы X с двумя столбцами, а выходной параметр v(i) принять за вектор Y, то, согласно методу наименьших квадратов, вектор оценок коэффициентов регрессии получается из выражения
Таким образом, найдена плоскость, которая аппроксимирует представленное исходное пространство признаков, отраженное на графике в виде множества точек, построенных по координатам входных данных (Рисунок 2.6). Регрессионная модель в данном случае дает нам искомый выделенный признак, позволяющий оценить вероятность возникновения мастита у животного.
Адекватность модели была оценена по критерию Фишера. Проверка показала, что для информации, полученной с 830 животных с 97% достоверности модель дает хорошее приближение исследуемых данных.
Таким образом, был выделен новый полезный признак, на основе применения метода обработки временных рядов и агрегирования двух производственных факторов, для идентификации мастита животных.
Экспериментальное исследование методов идентификации отклонений значений во временных рядах
Для экспериментального исследования метода идентификации тугодой-кости и легкодойкости у животных на основе агрегирования данных с датчиков брались апостериорные экспертные данные. Изначально, при возникновении проблемной ситуации зоотехник ставил предварительный диагноз о наличии тугодойкости / легкодойкости животного, который позже, в течение времени подтверждался ветеринаром. Таким образом, экспертные данные являются на 100% достоверными. Примем их за эталон и будем сравнивать с ними результаты работы предложенного метода. Исследуемая выборка, подвергнутая экспертной оценке в условиях реального предприятия, составила 380 животных. Для них ежедневно в течение лактации устанавливался диагноз состояния тугодойкости / легкодойкости животного.
Результаты сопоставления экспертных данных с оценкой состояний животных, установленной с помощью разработанного метода, сведены в таблицы 3.5 3.6. Доверительная вероятность была установлена экспертом предприятия на уровне 97% - это чуть ниже, чем процент отсечения выбросов данных с помощью правила 3 сигм, но подтверждено, что при уровне значимости 3% оценки эксперта и метода максимально точно совпадают.
Как видно из таблицы 3.5 предложенный метод идентифицировал 6642 проблемных дня, которые эксперт посчитал как дни с затрудненной молоко-отдачей животного. Незначительная разность в 0.5% при идентификации ту-годойкости объясняется тем, что метод считает интервалы малой длительности (как правило единичные) как дни с тугодойкостью, хотя на самом деле одноразовое отклонение, скорее свидетельствует о нарушении техники доения или неправильной настройки оборудования. Эксперт же, как правило, определял наличие статуса затрудненного доения, основываясь на фиксации случаев длительного снижения скорости молокоотдачи, протекающего несколько дней. Этим же объясняется разность 0,6% между экспертной и автоматической идентификацией проблем легкодойкости молока. Столь малая ошибка идентификации может считаться погрешностью, которой в дальнейшем можно пренебречь.
Как видно из таблицы 3.5, среднее число дней, где животное находится в стадии тугодойкости составляет 5,5%-6%. Такой высокий процент подверженности заболеванию объясняется отсутствием автоматической идентификации ранее заболевших животных. Разработанный метод в будущем поможет снизить процент проблемных особей, так как будет находить их на ранней стадии возникновения проблемы. На рисунке 3.5а представлен масштабируемый фрагмент графика приведенного признака скорости молокоотдачи.
Из рисунка видно, что в начале лактации у животного наблюдались значительные проблемы, которые были квалифицированы экспертом как тугодойкость. Найденный порог автоматической идентификации позволил разработанному методу верно идентифицировать данную проблемную ситуацию.
На рисунке 3.5б представлен график приведенной функции скорости молокоотдачи, которая превышает верхний порог скоростной нормы. Данный участок был отнесен экспертом к возникновению легкодойности. Этот диагноз был подтвержден ветеринаром позже. Как видно из рисунка, рассчитанный порог при уровне значимости 3% позволил также идентифицировать данную ситуацию, как потенциально опасную для здоровья животного.
Таким образом, разработанный метод позволяет достоверно идентифицировать тугодойность и легкодойность животного.
Применение математических преобразований для признаков, описывающих динамику изменения живой массы особи, ежедневной двигательной активности, молочной продуктивности и электропроводности молока, по отдельности друг от друга позволило осуществить поиск нехарактерных для текущего периода лактации изменений в состоянии животного. За основу для процесса сравнения результатов работы предложенного метода примем апостериорные экспертные данные о наличии (отсутствии) заболеваний или нехарактерных изменениях параметров, установленных экспертами в ходе ежедневного ручного мониторинга показателей в течение лактационного периода.
Результаты сопоставления экспертных оценок состояния животного с результатами работы метода, оценивающего наличие выбросов данных среди значений приведенного признака живой массы особи приведены в таблицах 3.7, 3.8.
Как видно из таблиц 3.7, 3.8 предложенный метод идентифицировал случаи, связанные с недостаточностью и избыточностью веса животного с точностью до 0,3% по отношению к экспертным данным при уровне значимости 3%. По большей части, данные случаи являются единичными отклонениями от нормы и не представляют серьезной опасности для здоровья животного и производственного процесса. Данные колебания в разделе 2.1 было принято отнести к шумовой составляющей и обозначить как m. Но также методом были найдены случаи серьезного отклонения параметра живой массы от нормы в течение длительного периода времени. На рисунке 3.6 представлен график, который был идентифицирован экспертом как случай кетоза у животного. Приведение признака и сравнение его значений с рассчитанным порогом также позволило определить наличие проблем с пониженной живой массой данного животного. С помощью применения математических преобразований, представленных формулами (2.1)-(2.5), было успешно выявлено 23 случая болезней, связанных с нарушением обмена веществ у животных. Все случаи были экспертно подтверждены.
Применение аналогичного математического аппарата для приведения и анализа признака двигательной активности животных позволило выявлять случаи пониженной и повышенной активности. Случаи вялой и пониженной/повышенной активности, как говорилось ранее, также могут являться всего лишь единичными отклонениями и быть связанными с привыканием организма к другому окружению, графику работы, условиям производства и т.д. Тем не менее, в большинстве случаев падение двигательной активности, превышающего границы установленного доверительного интервала, свидетельствуют о серьезном дискомфорте животного. Так, на рисунке 3.7 показан график двигательной активности животного, у которого на 168-ом дне лактации произошел перелом ноги, зарегистрированный специалистами на предприятии. Как видно из графика, приведенный признак выходит за нижнюю пороговую границу допустимого значения, и, следовательно, методу также удалось в автоматическом режиме определить наличие проблем с двигательной функцией у животного.
Оценка оперативности, разработанной автоматической биотехнической системы мониторинга состояния здоровья животных
В ходе написания диссертационной работы, реализованная биотехническая система поддержки принятия решений, включающая методы идентификации заболеваний животных, прошла апробацию и была внедрена в производственный процесс предприятия ООО Борисоглебское.
Для оценки оперативности биотехнической системы поддержки принятия решений о функциональном состоянии животных сравним длительность принятия управленческого решения в ситуации изменения состояния животного традиционными методами на исследуемом предприятии и посредством предложенных методов.
Для оценки оперативности автоматической идентификации мастита, стоит отметить каким образом осуществляется диагностика заболевания общепринятым на исследуемом предприятии способом. В главе 2 говорилось о том, что идентификация скрытого мастита является сложным процессом, так как явно выраженных признаков болезни на вымени животного нет. Идентификация скрытого мастита на предприятиях обычно осуществляется несколькими способами (ручными, автоматическими и полуавтоматическими):
- Самый трудоемкий способ первичной диагностики состоит в применении ручного химического анализа: 5% раствором димастина, 2% мастиди-ном, реактивом Загаевского или с 2,4% раствором мастотеста Воронежского. Но в последнее время отмечается отсутствие на рынке данных реактивов, из-за чего применяется смеси, приготовленные вручную из стиральных порошков. Приготовление и подготовка растворов занимает 3-4 часа. Сама реакция секрета молока с реактивом длится 15-30 секунд для каждой доли вымени (весь эксперимент длится от 1-3 минуты), по истечении которых смесь меняет цвет и зоотехник может судить о наличии или отсутствии мастита. Данный метод является предварительным, требует повторения через некоторый промежуток времени и дополнительных исследований. По предварительной оценке, достоверность подобного способа составляет 50-70%.
- Улучшенный способ оценки наличия заболевания состоит в использовании планшетов молочно-контрольных типа ПМК-1 и ПМК-2. Пластина имеет несколько лунок для каждой доли вымени, откуда берется проба молока. После реакции раствора и секрета молока зоотехник визуально по цветовой гамме, получившейся смеси, принимает решение о дальнейших исследованиях, наличии мастита или его отсутствия. Эксперимент длится 15-20 секунд. достоверность идентификации составляет 50-70%.
Если ряд проведенных химических тестов свидетельствует о наличии заболевания, то проводятся дополнительные предметные лабораторные эксперименты по анализу молока, например, используя пробу отстаивания, когда пробы молока помещаются в холодильник на 18 часов. Существуют другие процедуры исследования, занимающие от 5 до 8 часов лабораторного анализа.
В совокупности описанные методы экспресс анализа с последующими лабораторными исследованиями дают результат идентификации 97-99%. Но стоит отметить, что средняя длительность подобных экспериментов составляет несколько часов и проверить каждое животное в стаде не представляется возможным, поэтому предприятия используют механизмы контрольных доек, когда молоко животного исследуется 1 раз в 10 дней. Процедуры по детальной проверке животных на мастит проводятся 1 раз в месяц. Поэтому достоверность и оперативность подобного рода исследования невелика.
- Полуавтоматический и дорогостоящий способ идентификации заключается в ручном использовании специальных приборов, измеряющих кислотность и электропроводность молока (ПЭДМ, Элексан-1, Элексан-2, Масти тон). Длительность идентификации составляет 5-7 секунд для каждой доли вымени (20-30 секунд весь эксперимент). Заявленная точность идентификации на сайте производителя составляет 85-90%.
- Современные биотехнические системы, основанные на методах обработки данных с сенсоров биологической информации, также имеют возможность идентификации скрытого мастита животного. Но из-за несовершенства методов, лежащих в основе систем и отсутствия полноценного экрана мониторинга состояний всего стада достоверность и оперативность идентификации в подобных системах довольно низкая. Так для идентификации мастита посредством современных биотехнических систем необходимо 2 минуты при достоверности идентификации 88%.
В главе 3 было проведено сравнение информационных методов и алгоритмов идентификации мастита по критерию достоверности. В данном разделе проведем сравнительный анализ оперативности и достоверности идентификации мастита традиционными ручными и полуавтоматическими методами с реализованной биотехнической системой поддержки принятия решений. Статистика по идентификации мастита в ручном режиме с помощью растворов с последующим лабораторным анализом на исследуемом предприятии приведена в таблице 4.1.
Как видно, из проведенного на исследуемом предприятии анализа, представленного в таблице 4.1, экспресс методы с применением растворов для формирования предварительной выборки животных с подозрением на мастит изначально имеют низкую достоверность идентификации. Последующий длительный лабораторный анализ лишь подтверждает или опровергает начальное предположение о болезни особей из сформированной предварительной выборки. Достоверность идентификации в данном случае варьируется в пределах 63-78%, при длительности исследования, часто превышающей 10 часов. Без дополнительного анализа достоверность идентификации снижается в среднем на 5-10%.
Идентификация на основе подсчета соматических клеток осуществляется приборами, стоимость которых составляет 12-60 тысяч рублей. Данное оборудование также требует дорогостоящих реагентов для осуществления эксперимента идентификации болезни. Достоверность идентификации в данном случае составляет 70-80% при времени идентификации 4-7 минут.
Модуль идентификации мастита на основе агрегирования признаков в составе биотехнической системы поддержки принятия решений позволяет сформировать предварительный список заболевших животных с достоверностью идентификации 92-96% за 7 секунд. Список формируется сразу после поступления новой порции данных о ежедневной дойке.
Достоверность идентификации в данном случае варьируется в пределах 63-78%, при длительности исследования, часто превышающей 10 часов. Без дополнительного анализа достоверность идентификации снижается в среднем на 5-10%.