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,0.5kg/天,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b)到h)至少重复一次,在更好的实施例中,每隔一定的时段,重复这些步骤。在优选实施例中,该方法进一步包括如果在预定数量的时间内(特别是天数)实现的产奶量偏离所述关联的产生的预测或估计超过预定的第一阈值,则产生通知信号。这样的基于偏离值的通知信号(有时还被称为"异常"),对于管理产奶动物组非常有用,因为它们允许的确不在现场的或不始终与产奶动物在一起的管理人员在测量到偏离值时仍能接收到信号。这样的信号可以,例如,涉及较低的产奶量或较短的或较长的挤奶间隔,所有的这些都可能表明,产奶动物可能有病。统计模型和贝叶斯(动态)^=莫型两者都可以产生这样的通知信号。然而,贝叶斯模型的一个很大的优点是,它能够随着时间的推移调整其本身。例如,慢慢地缩小或增大的趋势将不会产生不需要的通知信号,因为该趋势也在模型中被处理。在再一个优选实施例中,该方法进一步包括如果观察结果偏离所述关联的产生的预测超过预定的第二阈值,则产生通知信号。在此方法中,如果观察值与预测偏离得太多,则始终产生通知信号。在此情况下,通知信号的生成不会延迟,因为情况可能太严重。本发明还涉及用于管理一组产奶动物的设备,包括用于识别该组内的单个产奶动物的动物识别装置,计算机和由所述计算机控制的自动喂料装置,其中,计算机用于执行本发明的方法。为该目的,可以以合适的方式对计算机进行编程,或者,例如,计算机包括合适的硬件。这样的设置在计算之后给计算机提供了调整喂料装置的调整信号,以便设备向标识的产奶动物提供计算出的个体配给量。下面将讨论某些优选实施例,只是简短地对它们进行提及,因为关联的优点已经在有关方法的对应的执行的说明中常常提及。优选情况下,所述设备包括用于对消耗的配给量或其成份称重的饲料称量设备。这样便可以获得反馈数据。优选情况下,所述自动喂料装置包括多个祠料容器,这些容器能够各自地并且通过计算机控制地提供相关类型的饲料的量。如果提供饲料混合设备,则更好。优选情况下,所述设备包括自动挤奶系统,优选情况下,所述自动挤奶系统是可通过计算机进行控制的,优选情况下,挤奶真空度、吸入/停止比率等等都是可调节的。此外,挤奶间隔在某种程度上也是可以控制的,如果计算出的挤奶间隔还没有过去,则不允许设备对产奶动物进行挤奶。如果需要,计算机可以基于通过动物识别装置确定的产奶动物的身份,调整挤奶系统。计算机将用于接收和/或产生各种数据,如动物识别信号和喂料装置的调整信号或关于配给量的大小的信号。另外,优选情况下,计算机应该包括额外的输入设备,用于输入外部数据,如奶的价格或奶的成份、詞料的价格、该组中的动物的数量及其变化等等。在计算机中实现了模型,用于计算各个动物的所需的配给量。这可以是,例如,带有固定系数的静态模型。也可以是贝叶斯模型,即,动态模型,带有在诸如有效个体产奶量之类的变量的值的影响下可以随着时间而变化的系数。在图形和描述中给出了进一步的示例和细节。优选情况下,设备进一步可以根据该模型,在有原因的情况下,产生通知信号。这可以以向管理员(如农场主)发送的警报信号的形式进行。这在强烈偏离(例如,偏离预测超过第二阈值)的情况下特别有用。可听信号、发到移动电话的信号,如SMS,等等,是完成此任务的一种有用方式。也可以制定应请求而提供的通知信号的列表,例如,以可以打印的列表的形式提供它。本发明还包括计算机程序产品,包括计算机可读取的介质,在所述介质上实现了计算机程序指令,能够安排计算机,特别是,根据本发明的设备的计算机,执行根据本发明的方法。取决于要执行的方法,计算机程序指令包括用于实现模型(例如,贝叶斯(动态)回归模型)的计算规则,输入数据的处理规则,计算出的值的实现规则等等。图1概要地显示了根据本发明的设备。在顶部,有一组产奶动物1,而2是自动挤奶系统(AMS),3是个体喂料系统(IFS),4是动物识别系统(ARS),5是与这些系统中的每一个系统链接的计算机。应该指出的是,IFS可以包括在不同位置提供配给量的多个单元,例如,在AMS处提供精饲料,而在休息处提供粗饲料等等。因此,这里绘制的IFS包括两个部分,动物识别系统4也是为这个部分提供的。其他数量也是可以的。此外,值得注意的是,对于这里概述的示范性实施例,计算机是可选的,因为所有计算和调节也可以手动进行。然而,为了方便起见,在下文中始终假设,这样的计算机是存在的。自动挤奶系统2通过动物识别系统4接收标识信号,检索与相关产奶动物有关的信息,如牛奶i殳置。例如,AMS2可以测量给定牛奶的量,在优选实施例中,甚至定义其成份,并向计算机5提供此信息。或者,也可以从外部确定成份,然后,可以将数据输入到计算机5中。IFS3可以给产奶动物提供个体的饲料量(即,配给量)。这样的饲料至少包括精饲料,特别地是还有粗伺料,分别地提供,或混合起来。如果需要,还可以提供其他种类饲料、补充饲料等等。IFS3由计算机5根据代表有关的产奶动物的配给量的调整变量来进行控制。在此,假设产奶动物将完全吃完配给量。然而,在实践中,在提16供的配给量和实际吃掉的饲料之间可能有差别,因此,优选情况下,IFS3也可以测量实际吃掉的量,并向计算机5发送此信息。在必要时,计算机5可以根据测量到的量,调整模型。计算机程序加载到计算机5中,计算机程序包含指令,根据指令,计算机5能够实现根据本介绍的方法。该方法包括实现下面为了说明该方法所描述的贝叶斯(Bayesian)分析^=莫型,在图2和3中,该方法是以流程图呈现的。图2显示了步骤a)到h),在权利要求19中也引用这些步骤,带有从h)回到b)的重复步骤(可选),并带有额外的操作i)(可选),以产生通知信号。步骤a)包括准备模型,在此情况下,计算机通过收集和输入起始数据来进行。假设计算机程序已经安装在计算机中。这些数据是允许对个体产奶量进行初始预测所需的数据。当然,起始数据的量和种类将取决于所选定的模型。这样的起始数据可以从历史数据中获取,例如,从以前的泌乳期,或者,例如,从起始测量值获取,事实上,只进行步骤c)和d),并重复,直到有足够可用的数据。值得注意的是,如果我们假设配给量没有被完全吃完,并且如果我们希望定义实际消耗的配给量,则必须有额外的步骤(在重复循环中),例如,以步骤j)的形式"定义实际消耗的配给量"。在必要时,步骤j)可以包括在起始数据的收集过程中。现在,计算机具有足够的数据,以在步骤b)中预测个体产奶量。然后,在步骤c)中,对产奶动物进行挤奶,在步骤d)中在AMS中确定个体产奶量。在步骤e)中,将个体产奶量与匹配的预测进行比较。根据这两者之间的差别,例如,如果差别大于预定的阈值,或者,如果一个或多个(紧接在)之前的时段中的差别大于相同的或较小的阈值,可以在步骤i)中产生可选的通知信号。在步骤f)中,可以基于定义的产奶量,如果适用的话,还基于如在可选步骤j)中确定的实际消耗配给量,以及,如果适用的话,还根据关于价格的数据输入等等,来调整使用的模型。这意味着,重新计算模型系数。例如,如果产奶动物表现出了配给量灵敏度降低或较低的基本产奶量,就会发生这种情况。在步骤g)中,计算机计算要给出的配给量的新的值,在步骤h)中,它调整例如IFS,如果适用的话,还相应地调整AMS。然后,可以重复步骤b)到h)。如此,系统将进一步变精细,或至少能够针对变化的条件调整其本身。一般而言,根据本发明的两个主要改进是,在应用一个前提条件下,调整和优化个体产奶量,以及关联的配给量,特别是以在畜群级别优化收益(而不是在个体级别)的方式,使用动态(贝叶斯)模型来进行调整和优化,该模型可以随着时间的推移根据测量到的产奶量和类似的值,调整其本身。下面,我们将发现样本模型的某些进一步的说明,如图3所概要地显示的。为更好地理解,我们可以想象,模型分为两个部分,自适应模型和验证/控制算法。自适应模型包括时间序列分析模型,带有模型变量的值的输入可能性和对模型系数的更新。自适应模型产生对其他变量的估计,如果需要,根据输入和/或计算出的估计,产生警报信号。然后,将更新的和估计的值提供给验证/控制算法。然后,这个算法可以通过一个调整准则,在优选实施例中,在应用前提条件的情况下,为调整变量计算更新的优化。可以向调整准则中添加外部数据,如奶价格(变化)和饲料价格。如果适用的话,该算法可以控制由自适应模型产生的警报(通知信号),或其本身产生通知信号或新的通知信号。例如,自适应模型可以基于下面的假设和对应的方程1)每头产奶动物的总的挤奶延续时间D,大约与挤奶会话(session)的数量N成线性关系D,7V+M/(1.1)其中,18a0每个挤奶会话的处理时间,al奶流量的反效应(分钟//>斤)2)每个时段每头产奶动物的累加的产奶量(M)大约是相对于每天的精饲料的摄取量(C)和间隔时间,或中间的乳熟期<formula>formulaseeoriginaldocumentpage19</formula>(Ij)的二次响应表面''(1.2)其中,定义了下面的各个动态系数C0基本产奶量,公斤/天G精饲料摄取量的线性效应(公斤/公斤/天)C2精伺料摄取量的二次效应(kg/kgV天)b2间隔长度的二次效应(kg/天2)其中,j是涉及该时段中的挤奶会话的求和变量。3)每天的粗饲料摄取量,R,响应精饲料摄取量C,近似于线性的<formula>formulaseeoriginaldocumentpage19</formula>其中d0粗铜料摄取量的基本水平(kg),A精飼料摄取量的线性效应(kg/kg)值得注意的是,此模型中的(1.1)事实上只在优化AMS中的挤奶时间时才使用,例如,在建模最佳的配给量时不需要,因为有无限制的牛奶容量可用。此外,在(1.2)中,这里假设了二次依赖关系。然而,采用另一种依赖关系肯定也是可以的,如线性的或随机性的,凭经验定义的依赖关系。然而,如这里所使用的模型提供了好的结果。此外,也并不总是需要如在(1.3)中那样对粗饲料摄取量进行建模,例如,当它免费可用时就不需要对其进行建模。然而,在此模型中,对粗饲料摄取量进行了建模,如果的确需要计算粗饲料的价格,这例如是便利的。在上面的模型中,有3个响应变量,即,挤奶延续时间D、产奶量M和每天的粗飼料摄取量R。有4个回归变量挤奶会话的数量N、产奶量M(因此是双函数!)、精飼料才聂取量C以及间隔长度I。每头产奶动物每天,有8个描述挤奶频率和精飼料分配对产奶量的影响的系数(ao,...,d0,每一个系数都具有明显的物理和/或生物意义。此外,还使用可以概述为如下的系统方程其中,是时间t或t-1时的系数,g是干扰。为构建模型,使用通过折扣因子对"新的"系数有影响的要选择的许多时段,例如,天。这是表示当计算新的值时相关的以前的系数值的重要性有多大的权重因子。例如,0.8的折扣因子表示,退回三个时IS:的值仍具有0.83=0.256的权重。这样,较旧的值在模型中持续地具有较小的权重。通常,折扣因子介于0.8和0.98之间,对于每一个对应的系数,都可以不同,并且可以例如根据测试测量值,凭经验定义。值得注意的是,各个的折扣因子本身不变化。系数相互关联的方式,即,系统方程,在某种程度上依赖于选定的回归法。对于常常使用的动态线性回归法,我们参考了West&Harrison所著的上文所提及的书,具体来说,第362页的概述表10.4,这里作为图4包括了该表,带有关联的说明,也包括在这里。该书中所使用的符号名称不同于这里所使用的符号名称,虽然它们的功能对应。系数的估计基于所描述的单变动态线性模型,带有差异折扣(variancediscounting)。在表G中,我们发现表示对应的模型系数随着时间的推移而发展,如此,例如,表示可能的稳态趋势的(矩阵)系数。然而,在本模型中(作为示例),我们选择不引入稳态的(以前的)趋势,而是被动地处理时间发展,并通过观察,调整模型。换句话说,G这里是单位矩阵。此外,表10.4中的折扣因子表示为S。可以通过上面的模型,作为间隔长度和精铜料摄取量与时间的函数,模型化产奶量M。在此模型中,我们必须从系数和间隔长度的初始值(即,起始数据)开始,这些起始数据例如基于产奶动物的以前的泌乳时间长度,或基于动物平均值。此外,对于精饲料摄取量(事实上它是一个调整变量),必须采用初始值或一系列初始值。然而,常常实现"起动阶段",在该阶段,慢慢地从0建立起精饲料管理,据此,确定C的最初的值。然后,通过这些起始数据,产生产奶量M的第一模型估计。随后,有效地测量此产量。随后,可以通过对这一系列方程进行求解,计算配给量(如果需要,以及挤奶间隔)的最佳个体设置。例如,可以按如下方式计算最佳个体配给量C0pt,it其中,7TM,7TC和7TR分别是牛奶价格(不根据成份拆分)、精伺料价格和粗饲料价格,下标因子i和t分别表示产奶动物和时间。此方程是通过对饲料平衡(即,根据精伺料量c,产奶量和价格的乘积减去饲料量和它们的价格的乘积的总和)进行微分计算,并将此导数设为零而获得的。值得注意的是,这些最佳值是在个体级别上计算的。当在畜群级别进行优化时,表达式变得稍微复杂一些。然而,这些也可以通过迭代方法来求近似值,这常常是在实际操作中唯一可使用的方法。可以提供软件包,用于此目的,例如,位于Washington,DC的GAMSDevelopmentCorporation在2006年开发的GAMS。按类似的方式,在挤奶时间的总和Dit至多等于最大有效挤奶时间DM^,t的前提条件下,可以获得,例如,最佳个体挤奶间隔I0pt,it的设置,为其中,Y(Dmax,t,Ht)是依赖于最大可用AMS容量DMax,t和产奶动物组的大小Ht的函数<formula>formulaseeoriginaldocumentpage21</formula>其中,^是平均最佳挤奶间隔,要通过根据平均饲料平衡S对平均挤奶延续时间D进行微分并通过使D(Imean)等于DMax,t/Ht来计算。事实上,在最佳挤奶间隔和最佳配给量是独立变量的假设下,推导出了以上方程。如此,该方程将提供次最佳的结果。再次,可以,例如,通过上文所提及的软件程序包来获得更准确的解。除此之外,可以规定更多前提条件,如保持在4.8和12小时之间的挤奶间隔,或规定要有相对于总的饲料摄入量的预定的最小粗飼料份额,比方说,例如,40%。也可以最大化更改,例如,每天的挤奶会话的数量可以至多变化0.5,或者,精饲料配给量可以变化至多每天0.5公斤。例如,也可以要求,之后可以进行挤奶的最大挤奶间隔至多是最佳挤奶间隔的1.3倍,等等。这样的前提条件可以在对产奶动物的观察超出这样的规定的极限范围的情况下,导致创建通知信号。这里再次强调,本发明的两个主要优点是,在畜群级别优化饲料配给量的设置,如果适用的话,以及挤奶间隔的设置,而不是在个体级别进行优化,并且在这样的优化中,使用较好地考虑了诸如产奶动物之类的动态因素的动态系统。在实际测试中对本发明进行了测试。在此测试中,在3个月的时段内,平均观察了71头奶牛。对于这些奶牛,根据上文所描述的模型,反复地搜索最佳设置,查找就奶牛和饲料平衡、挤奶频率、饲料摄入量等等而言的收益。下面的表1显示了,与收益预测等等相比,与传统的设置与相比,例如,平均饲料平衡,换句话说,畜群级别的总的饲料平衡,有明显的增大。表1传统地预测和动态地预测的结果的比较<table>tableseeoriginaldocumentpage22</column></row><table>主要或只对于高产率的奶牛,通过提供更多铜料和/或挤奶时间,可以增大每头奶牛的收益。如此,可以以比通过传统的模型更好的方法探索极限。此外,从个体奶牛的设置的差别(这里未显示)显而易见地看出,某些(高产率)奶牛有更多饲料和/或挤奶时间,而其他(低产率)的奶牛比在传统的模型中有较少的饲料和/或挤奶时间。所显示的实施例和模型只作为示例,而专业人员将能够在本发明的范围内以简单的方式进行更改和调节。保护的范围通过所附的权利要求来确定。权利要求1.一种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,每一头产奶动物都可以分别地通过动物标识系统来识别,其中,对所述产奶动物进行挤奶,并且所述产奶动物给出各自实现的产奶量,其中,用个体的配给量喂养所述产奶动物,其中,收集关于所述一组产奶动物的数据,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来估计随后的个体产奶量,其中,对于一头或多头产奶动物,在一个前提条件下,在调节步骤中调整个体产奶动物的个体配给量和挤奶中的至少一项。2.根据权利要求1所述的方法,其中,所述前提条件包括在所述调节步骤之后单个产奶动物的预测的饲料平衡比在所述调节步骤之前实现的饲料平衡高,其中,实现的饲料平衡和预测的饲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。3.根据权利要求2所述的方法,其中,所述前提条件包括,对于整个组,在所述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所述调节步骤之前实现的饲料平衡的总和。4.根据前面的权利要求中任一权利要求所述的方法,其中,所述配给量包括每天的精饲料的量或它们的能量当量。5.根据权利要求4所述的方法,其中,所述配给量还至少包括第二种饲料,特别是粗祠料的量。6.根据前面的权利要求中任一权利要求所述的方法,其中,至少部分地通过计算机控制的喂料装置对动物进行喂养。7.根据前面的权利要求中任一权利要求所述的方法,其中,所述前提条件包括各个产奶量的总和不超出预定的奶配额。8.根据前面的权利要求中任一权利要求所述的方法,其中,所述前提条件包括,对所有产奶动物进行挤奶的总持续时间至多等于每天的有效挤奶时间。9.根据权利要求8所述的方法,其中,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,特别是作为它们的平均值的函数,测量所述每天的有效挤奶时间。10.根据前面的权利要求中任一权利要求所述的方法,其中,自动地通过挤奶设备对动物进行挤奶,在优选情况下,该挤奶设备被计算机控制。11.根据权利要求10所述的方法,其中,所述前提条件包括,通过所述挤奶设备对所有产奶动物进行挤奶的总持续时间至多等于所述挤奶设备的每天的有效挤奶时间。12.根据权利要求10或11所述的方法,其中,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13.根据前面的权利要求中任一权利要求所述的方法,其中,动物的数量是可变的。14.根据权利要求13所述的方法,其中,在所述模型中包括了用于各个动物的权重因子。15.根据前面的权利要求中任一权利要求所述的方法,其中,在所述计算机中输入关于所述一组产奶动物的数据,其中,由所述计算机根据所述数据通过模型来计算随后的各自的产奶量。16.根据权利要求6-15中中任一权利要求所述的方法,其中,所述模型是在所述计算机中实现的。17.根据前面的权利要求中任一权利要求所述的方法,其中,所述模型包括静态模型,带有固定系数。18.根据前面的权利要求中任一权利要求所述的方法,其中,所述模型包括贝叶斯时间序列分析模型,带有个体模型系数和至少部分地与时间有关的模型变量,特别的是,所述贝叶斯时间序列分析模型,带有个体模型系数和至少部分地与时间有关的模型变量,这些模型变量至少包括每单位时间的产奶量、作为配给量的个体调整变量,以及每单位配给量每单位时间的个体增量奶收益,其中,所述模型以观测方程描述了一个或多个模型变量如何依赖于所述模型系数和所述模型变量,并且在系统方程中,描述了所述模型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,所述调整准则表示如何根据模型变量和模型系数来改变所述个体调整变量。19.根据权利要求18所述的方法,其中,所述控制包括a)在所述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,特别是所述系统方程,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,调整所述喂料装置。20.根据权利要求19所述的方法,其中,步骤b)到h)至少重复一次。21.根据前面的权利要求中任一权利要求所述的方法,进一步包括如果在预定数量的时间内实现的产奶量偏离所述关联的产生的预测值或估计值超过预定的第一阈值,则产生通知信号,其中所述预定数量的时间尤其是预定数量的天数。22.根据前面的权利要求中任一权利要求所述的方法,进一步包括如果观察结果偏离所述关联的产生的预测值超过预定的第二阈值,则产生通知信号。23.—种用于管理一组产奶动物的设备,包括用于识别该组内的各个产奶动物的动物识别装置、计算机和由所述计算机控制的自动喂料装置,其中,所述计算机用于执行前面的权利要求中任一权利要求所述的方法。24.根据权利要求23所述的设备,包括用于对消耗的配给量或其成份称重的飼料称重设备。25.根据权利要求23或24所述的设备,其中,所述自动喂料装置包括多个饲料容器,这些饲料容器被配置成分别地并且通过计算机控制地提供一定量的相关类型的饲料。26.根据权利要求25所述的设备,其中,还提供了饲料混合设备。27.根据权利要求23到26中任一权利要求所述的设备,进一步包括自动挤奶系统,优选情况下,所述自动挤奶系统是可通过所述计算机进行控制的,有利的是,挤奶真空度、吸入/停止比率、挤奶程序和挤奶间隔都是可调节的。28.—种计算机程序产品,包括计算机可读取的介质,在所述介质上实现了计算机程序指令,其能够安排计算机,特别是,根据权利要求23-27中任一权利要求所述的设备的计算机,执行根据权利要求1-22中任一权利要求所述的方法。全文摘要本发明提供了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,为动物进行挤奶,动物给出分别实现的产奶量,其中,用个体的配给量喂养动物,其中,收集关于产奶动物组的数据,该数据至少包括分别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,对于一头或多头动物,在一个前提条件下,在调节步骤中调整各个产奶动物的个体配给量和挤奶这两项中的至少一项。本发明还提供了用于执行这样的方法的设备和计算机程序产品。文档编号A01K29/00GK101677521SQ200880018684公开日2010年3月24日申请日期2008年2月27日优先权日2007年6月3日发明者A·格里特申请人:马斯兰股份有限公司