基于數字孿生技術的奶牛場養殖監控平臺設計

摘要：

為應對動物疫情以及非牧場人員對奶牛養殖生產的不利影響，結合奶牛場的需求，采用數字孿生技術，提出構建數字孿生奶牛場養殖監控平臺的方案。此平臺基于數字孿生奶牛場模型（DDTM）搭建，DDTM由三部分組成，分別為數字奶牛場的幾何模型GM、信息模型IM和預測模型PM。對于GM采用3ds MAX三維建模軟件對奶牛場內的建筑、奶牛以及設備進行幾何建模，最終實現奶牛場的三維可視化效果；對于IM通過特定孿生標識體系、遠程數據上傳以及解析等方法，實現數字孿生奶牛場與實際物理奶牛場之間的映射；對于PM利用預測模型預測養殖舍內溫濕度變化趨勢，指導奶牛的養殖健康和生產。這一綜合方案為數字孿生奶牛場的建設提供創新的思路和實踐參考，將促進數字畜牧的可持續發展、提高奶牛養殖的效益。

關鍵詞：奶牛場；數字孿生；三維可視化；信息模型；預測模型

中圖分類號：S823： S818.9

文獻標識碼：A

Design of dairy farm breeding monitoring platform based on digital twin technology

Abstract：

In order to address animal epidemics and mitigate the adverse effects of non-ranch personnel on dairy farming production， a solution was proposed to build a digital twin dairy farm monitoring platform by incorporating digital twin technology according to the needs of the dairy farm. The platform was built based on the digital dairy twin farm model （DDTM）， which consisted of three parts， namely， the geometric model （GM）， the information model （IM）， and the prediction model （PM） of the digital dairy farm. The 3ds MAX software was used for GM to geometrically model the buildings， cows， and equipments in the dairy farm， and ultimately to achieve the three-dimensional visual effect of the dairy farm. For IM， the mapping between digital twin dairy farms and actual physical dairy farms was realized by means of specific twin identification system， remote data uploading and analysis. And for PM， a prediction model was used to predict the trend of temperature and humidity changes in the barn to guide the health and production of dairy cows. This comprehensive programme provided innovative ideas and practical references for the construction of future digital twin dairy farms， which will promote the sustainable development of digital livestock" and improve the efficiency of dairy farming.

Keywords：

dairy farm； digital twin； three-dimensional visualization； information model； predictive model

0 引言

近年來，數字技術在畜牧養殖業域呈現強大的發展勢頭。與奶牛養殖相關的信息技術、國產智能裝備、牧場管理平臺大量涌現［12］。我國奶牛養殖模式呈現區域化差異，西北部主要為大放牧式，中部地區以集中化、規模化為主［3］。當前，動物疫情成為影響奶牛場運營的主要因素，為了降低養殖傳染風險，迫切需要減少人員和車輛在奶牛場中的流動［34］。因此線上管理、遠程調控技術成為了牛場的優先管理辦法。為建立數字化奶牛場，當前行業內的研究重點集中在以下方面：借助信息技術、云計算、通信技術構建奶牛場—云端—終端的信息的傳輸體系，實現信息的高效傳輸；利用人工智能預測算法控制設備的運行、識別牛只、識別人員以及管理牛場的生產活動。這一系列的技術創新推動傳統奶牛養殖業向科學化、現代化的發展邁出重要一步［45］。

數字孿生在21世紀初由Grieves［6］提出，應用于美國航空發動機等復雜設備復雜系統的產品生命周期管理，隨后在各行業中逐步推廣應用。隨著農業數字化、精準化理念的不斷深入，數字孿生技術在養殖工程中的應用需求愈發迫切，利用數字化手段構造與農業實體互聯互通的數字體，有利于實時獲取實體的實際情況、分析當前的運行態勢以及優化處理［7］。孫靖文等［8］利用數字化工具，通過對漁場的水域、養殖魚類、能效管理、養殖場生態等方面進行建模、仿真，搭建了數字孿生漁場的場景底座，但該研究構建的二維模型無法多角度、多方位的顯示漁場全貌。張古泰［9］對豬場的外圍場景、豬舍、理化實驗室等方面進行三維模型的創建，通過Unity3D平臺搭建虛擬場景，設計了豬場虛擬養殖系統，該場景對豬場三維場景的仿真性要求高，但沒有涉及對豬場數據的實時監測管理。以上研究是數字孿生技術在養殖工程中的初步嘗試，得到了一定的應用效果。在農業領域數字孿生大多采用儀表面板型的呈現方式［1011］，使用三維可視化呈現得仍然很少。Slob等［12］利用虛擬現實技術與數字孿生技術，將孿生溫室通過VR技術與用戶進行視覺交互，該設計主要考慮孿生溫室的視覺交互的體驗感。Neethirajan等［1113］提出利用多傳感器搜集養殖場的動物情感狀態和行為情況，利用數字孿生技術為動物行為和情感建模創建新的數據驅動技術，利用人工智能預測動物的行為和情感狀況，助力農場管理者對動物的情緒和行為預警，極大地提高動物的福利和生產力，助力畜牧業可持續發展。目前數字孿生技術大多用于制造業的車間生產管理中［1415］，且數字孿生技術在各行業應用的側重點不同，在畜牧養殖領域，利用數字孿生技術在畜牧養殖研究鮮有報道。

基于此，本文擬結合數字孿生技術、考慮奶牛場孿生模型的搭建成本以及當前奶牛場監管需求，提出構建數字孿生奶牛場養殖監控平臺。該方法需要使用3ds MAX三維建模軟件對奶牛場內的建筑、奶牛以及設備進行幾何建模，包括形狀、結構、紋理和顏色。通過目標特定標識、遠程數據上傳以及分析等方法，實現虛擬與實際奶牛場的映射，構建奶牛場的信息模型。同時，借助大數據技術和預測算法，對養殖舍內的環境進行監測和預警，以確保奶牛的健康養殖。最終以三維可視化的方式呈現奶牛場數字孿生養殖監控平臺。

1 奶牛場數字孿生養殖監控平臺構建

本文將奶牛場數字孿生養殖監控平臺的構建分為物理奶牛場、孿生奶牛場、數據平臺、平臺服務4個部分［16］，如圖1所示。

其中，物理奶牛場指維持奶牛場運營的客觀存在的物理實體；孿生奶牛場是物理奶牛場的虛擬映射［17］，對實體奶牛場中牛只生產管理的仿真體；數據平臺指存放牛只在生產環節產生的一些數據，包括體重、產奶量及健康狀況等信息的平臺。數據是孿生奶牛場的核心，包括數據平臺中的歷史數據以及奶牛場養殖舍中通過傳感器采集到的實時環境數據［18］；服務指通過物理奶牛場與孿生奶牛場的實時交互，對奶牛場的數據顯示以及環境預測［19］，如牛只產奶量的數值顯示、奶牛場實時視頻的顯示、奶牛養殖舍內環境預測、設備狀態等。通過這種構建方法可應對動物疫情及非牧場人員對奶牛養殖生產的影響，并以三維可視化的方式呈現奶牛場［20］。

構建奶牛場數字孿生模型不僅涵蓋了對物理奶牛場的幾何模型建模，還需依托物理奶牛場內的相關機械、電器設備以及牛只等實體建立多屬性、多從屬的信息模型［2122］。因此，本文提出了數字孿生奶牛場模型DDTM（Dairy Digital Twin Model），可描述為DDTM={GM，IM，PM}，如圖2所示。

在DDTM模型中，GM（Geometric Model）是用于呈現實體奶牛場在孿生空間的三維狀態，其中包括奶牛場物理實體的尺寸、形狀、材質。幾何模型GM可描述為GM={MS，MM，MF}。式中：MS（Model Scale）為模型尺寸數據；MM（Model Material）為模型材質數據；MF（Model Feature）為模型形狀數據。

在DDTM模型中，IM（Information Model）采用統一語言表達物理奶牛場在孿生空間的特征，以描述實物的身份標識以及物理對象的屬性信息，包括環境數據信息、設備的狀態信息以及層級從屬等方面的信息［23］。IM具體描述為IM={ID，NA，MT，CP，GL}。式中：ID（Identity）為孿生模型的唯一標識；NA（Name）為孿生模型的名稱；MT（Model Type）為模型類型；CP（Custom Property）為自定義屬性；GL（Geographic Location）為孿生模型的位置信息。

在DDTM模型中，PM（Prediction Model）用于描述數字空間中牛舍內設備運行機理的預測，包括對牛舍內設備的機理模型以及基于牛場環境數據的智能預測模型。PM具體描述為PM={MPM，SPM}。MPM（Mechanism Prediction Model）為機理預測模型；SPM（Smart Prediction Model）為智能預測模型。

奶牛場數字孿生模型的構建過程如圖3所示。首先，采用3ds MAX三維建模軟件繪制實體奶牛場的幾何模型，通過對繪制的模型做格式轉換（.max文件轉換成.tjs文件）以及材質合并、貼圖處理和模型合并等模型輕量化處理；利用JavaScript程序設計語言和Thingjs三維可視化技術實現三維模型的可視化應用；其次，構建信息模型IM，將牛只信息平臺中的數據以及牛舍中的環境數據信息，按照JavaScript語言編寫的JSON格式的數據接口，對多源數據信息進行數據解析、數據封裝和字段映射等實現信息的無障礙傳輸與分享；然后，根據需求要對牛舍內環境數據進行分析，通過智能預測算法構建預測模型PM；最后，通過奶牛場的模型唯一身份標識ID，建立起奶牛場數字孿生模型DDTM，實現物理實體到孿生體的映射［24］。

2 奶牛場數字孿生的關鍵技術

2.1 奶牛場多層級的幾何建模搭建

本文將奶牛場的幾何模型進行層級的劃分［25］，便于對幾何模型的管理和查找。按牛場的區域將層級劃分為場區環境、人員活動區、奶牛養殖區、廢棄物處理層等高級別層；人員活動區往下可分為辦公室、住宿區等層級；奶牛養殖區可分為牛舍區、飼料區、擠奶間等層級；將這些幾何模型歸類到各層級，利用Thingjs三維可視化技術將模型庫中的單體幾何模型進行鼠標拖拽的方式組合成虛擬奶牛場場景，通過配置的場景控制事件，切換奶牛場的外部層級到內部層級的展示，如圖4所示。

圖5所示為奶牛場三維可視化應用，利用孿生體標識可將環境數據、牛只數據等數據相互綁定，可以實現包括三維場區漫游、設備查詢、視頻融合、設備狀態監控以及設備告警等應用［26］。通過對基礎幾何模型進行笛卡爾變換和模型拼接操作，形成多層級的可視化交互，包括牛舍層、牛舍區層、奶牛養殖區層和奶牛場區層；采用echarts圖表、物聯網系統、數據預測等工具呈現數據的平臺應用，實現孿生奶牛場在平臺的在線視頻監控，為養殖場提供實時的、可交互的、全場區的可視化服務。

2.2 奶牛場數字孿生信息模型建模

奶牛場數字孿生信息模型包括數據采集、數據接口、數據映射等關鍵環節。其中，孿生體標識的要素包括孿生體ID、自定義屬性CP等使用孿生體ID以及自定義屬性CP等，由此可以做到奶牛場中各單一實體與孿生空間的數據一一對應；采集基于云邊端架構的多源異構數據，實現牛舍內的智能感知；依托JavaScript編程語言描述孿生空間與物理實體的空間信息、屬性信息等映射關系并通過編寫的數據接口將采集數據上傳，實現物理奶牛場到孿生模型的數據映射。

2.2.1 奶牛場孿生體統一標識體系

通過賦予奶牛場中的奶牛、設備、人員及建筑等孿生體ID，達到數字孿生奶牛場的孿生體數據庫中對孿生體信息進行索引和展示的目的［27］。本文制定了奶牛場孿生體標識體系，該體系由孿生體ID、名稱、空間所屬以及自定義屬性4部分組成。其中，孿生體ID用于定義孿生體身份的唯一標識且不可重復；名稱用于孿生體實例的顯示名稱，如設備名稱、位置名稱等；空間所屬用于孿生體實例在三維空間中的空間所屬，記錄其父級孿生體的編號；自定義屬性用于自定義孿生體所需的其他屬性，如圖6所示（以牛只孿生體為例），借助這一標識，能夠方便地對奶牛場的孿生體進行量化，為奶牛場的智能化發展打下數據解析基礎。

2.2.2 多源異構數據采集方法

感知物理牛舍是實現數字孿生奶牛場的前提和基礎。在奶牛場的養殖生產過程中，主要數據來源包括牛只、環控、視頻監控等設備，或是涵蓋數據平臺系統［2728］。另外，由于奶牛場安裝的設備來自不同的生產廠家，因此，各種設備的物理接口和接口之間編寫的協接口議不一致。為應對這種多樣性，應采用數據接口的方式進行多源異構數據的采集，如圖7所示。從平臺層獲取數據，需要編寫相關數據接口的程序，從數據平臺中獲取牛只相關信息，數據接口將牛只數據進行數據解析、屬性字段映射以及數據封裝等步驟，向數字孿生平臺發送信息，最后利用孿生平臺的數據面板或圖表用于配置及顯示牛只信息；從攝像頭采集視頻數據，攝像頭通過4G網絡將視頻數據保存在硬盤錄像機中，通過4G網關將實時的RTSP視頻數據轉換成網頁可視的HTML格式的視頻數據，通過配置牛舍中的攝像頭將視頻顯示在與物理實體相同的位置；從溫濕度傳感器獲取數據，通過4G/LAN網絡傳輸到數據平臺和數字孿生平臺，在數字孿生平臺中用于展示環境數據信息，將環境數據通過智能環境預測模型進行數據預測，將預測的數據發送到孿生平臺指導奶牛場養殖人員在各時間點做好防護措施。

2.2.3 統一語言描述奶牛場模型

奶牛場設備系統包括了牛舍內的環控設備以及牛舍外的飼喂裝置等操作設備，清晰準確地表達各獨立設備之間的模型關系十分重要。因此本文提出了奶牛場的養殖規范和操作流程，建立系統統一的語言規范來描述奶牛場的模型，如圖8所示，以實現多源數據的描述和多層級狀態映射，包括屬性數據集、組件數據集以及方法數據集。

其中，屬性數據集分為靜態數據集、動態數據集和動作數據集；靜態數據集指的是那些在奶牛場中使用后不會發生變化或者變化頻率很低的數據，例如環控設備的編號、位置信息、牛只的編號等；動態數據集則包括了牛只的奶量信息、環控設備的狀態信息、牛舍內的環境數據等；動作數據集表示了牛場設備的動態操作指令，例如奶罐車進出場區的行駛路線規劃，牛舍內環控設備的定時啟動時間、舍內清污設備的定時運行頻率（例如每小時運行一次）等。組件數據集則表示設備的各個部件集合，如噴淋裝置集包括了噴淋頭、水管、水箱等。方法數據集則用來描述設備具有的各種行為動作，例如開啟、關閉、車輛進場、車輛出場等操作。

2.3 牛舍環境溫度濕度預測模型建模

本次牛舍內的傳感器布置如圖9所示，右側是牛舍的俯視圖，布置的4個百葉箱型傳感器在牛舍采食欄位上方離地2.5m的位置［2930］；牛舍外東南方向5m處安裝了江蘇省氣象服務中心的小型氣象站，如圖9左上角所示，牛舍外的溫濕度數據由該氣象站的網頁端獲取歷史數據。

2.3.1 數據預測模型的選用

1） LSTM數據預測模型。

牛舍內的環境場是多變量、非線性變化的，其中舍內溫度、濕度是對牛只影響最大的兩個參數［2829］。本文根據奶牛養殖要求，結合牛舍內實際的環境，提出基于LSTM （長短期記憶神經網絡）環境溫濕度預測模型方法，如圖10所示。LSTM神經網絡將先前的神經元轉變成遺忘門、輸入門、輸出門和細胞狀態的結構，利用細胞狀態更新控制信息。

該方法首先采集牛舍內外的溫濕度數據采集并對數據預處理；其次，數據序列分解，將非線性的溫濕度數據進行分解達到各分量的數據較為平穩；然后，采用LSTM算法將牛舍內外的溫濕度數據輸入；最后，將預測出的分量結果進行數學計算。環境數據的預測通過數據樣本學習預測，助力養殖人員對牛只養殖環境精準預測，調節牛舍溫室環境，減少牛只熱應激情況。

2） EMD-LSTM數據預測模型。

采用EMD（經驗模態分解）與LSTM（長短時記憶神經網絡）相結合的方法，構建EMD-LSTM的牛舍內溫濕度值預測模型，對牛舍內的溫度和濕度進行數據預測，算法流程如圖11所示。

數據預處理：通過牛舍內采食欄位上方的4個環境自動檢測設備獲取舍內溫度和相對濕度數據，舍外由江蘇省氣象服務中心的一個小型氣象站獲取牛舍外的溫度和相對濕度數據。經過觀察牛舍內自動檢測裝置保存的溫度濕度數據發現各時間段的溫度濕度數據的差值很小，因此選擇其中的一個自動檢測裝置和小型氣象站的同一個月的溫濕度數據進行數據預處理。

溫度與相對濕度數據分解：采用EMD對溫度和相對溫濕度數據序列進行分解，將非線性的溫度和相對濕度分解成多個尺度的數據量，分解后的數據量比未分解的數據更為平穩，分解后的數據量具有各分量的特征信息。

數據預測：將分解后的多個IMF分量和RES殘余量利用LSTM算法對數據進行建模，將牛舍內外的溫度、相對濕度作為輸入變量，輸出值為未來的牛舍內的溫度、相對濕度數值。首先，初始化預測模型的參數；其次，將分解后的各分量數據輸入預測模型中，通過Adam自適應算法多次優化迭代調整環各分量參數能夠更準確反應各分量的變化，提高牛舍內溫度和相對濕度的準確度；最后，將各分量的預測結果進行求和，作為牛舍內的溫度和相對溫濕度的預測結果。

本次數據預測模型選用LSTM與EMD-LSTM兩種數據預測模型進行數據預測，通過對比這兩種預測模型的預測結果的誤差，通過絕對誤差、平均絕對百分比誤差以及均方根誤差這三個評價指標值比較預測模型的精度，選用精度高的作為數字孿生的數據預測模型。

2.3.2 溫濕度數據預處理

1） 異常數據處理。

牛舍采集的溫度、濕度數據與平均數據的差值的絕對值大于3倍的標準差，被認為異常數據，異常數據將被替換成異常點兩側數據的均值。

2） 均值處理。

該牛舍內的溫濕度采集裝置每2min采集一次，經過長期觀察采集的數據，發現牛舍中半小時數據采集變化差異不大，因此為了減少數據的處理量將采取每半小時采用均值算法處理溫濕度數據。表1為經過半小時處理的牛舍的溫濕度數據。處理公式如式（2）所示。

2.3.3 EMD的溫濕度序列分解結果

牛舍溫度和相對濕度數據具有非線性的特點，采用EMD數據算法對2023年7月1—21日21天采集到的牛舍內外的溫度和相對濕度進行分解，將牛舍內的溫度和相對濕度數值作為輸入值，輸出為溫度和相對濕度數據的各分量，EMD分解結果如圖12所示。

EMD算法將數據序列分解成9個分量包括8個IMF模態分量和1個RES殘差量。其中，8個IMF模態分量的振動頻率依次減小，表示牛舍內外溫度和相對濕度呈現周期性性變化和振動的影響；RES殘差量表示在21天之間的牛舍內外溫度和相對濕度數據變化趨勢。IMF1～IMF4的內涵模態分解迭代次數不多，數據呈現出振動頻率較高，存在較大的無序性；通過迭代次數的增加，內涵模態分解量IMF5～IMF8的數據呈現的周期性較為明顯，規律性強于IMF1～IMF4的模態分解量。

2.3.4 預測模型溫度濕度數據預測

采用LSTM模型與EMD-LSTM模型對牛舍內的溫度與相對濕度進行數據預測，選取2023年7月1—21日的數據作為訓練樣本，選取7月22—27日的數據作為測試樣本。采用EMD對數據進行模態數據分解并利用LSTM模型對各個數據分量進行數據訓練和數據預測，輸入變量為4，輸出變量為2，利用Adam算法不斷自動調整預測模型的輸入參數，將輸入層的時間步設置為24，隱藏層的層數設置為200，學習率為0.005，最后對各個分量的預測結果進行數據求和得到牛舍內的溫度與相對濕度數據預測值，最終的預測結果如圖13所示。

通過觀察圖13中的溫度和相對濕度的實際值與預測值，LSTM模型與EMD-LSTM模型預測結果的相比開頭部分出現較大的數據誤差，因此，基于EMD-LSTM模型對環境中溫度與相對濕度的預測結果較好，與舍內溫濕度值的實際值基本一致。選用EMD-LSTM預測模型作為奶牛場的數據預測模型，能夠較好地擬合牛舍的溫濕度曲線，提高對牛舍的溫濕度的預測精度，方便指導養殖人員對未來幾天牛舍內的溫濕度數值。

2.3.5 評價標準

為了評價模型預測結果的準確性，采用了3個指標來衡量各模型的預測結果，如表2所示，包括平均絕對誤差（MAE）、平均絕對百分比誤差（MAPE）和均方根誤差（RMSE）。這些指標的數值越小，預測方法的準確性越高，從而說明預測效果越好［31］。由此可見EMD-LSTM預測模型確實優于LSTM預測模型。

3 案例應用

隨著我國居民對奶制品質量要求的提高，傳統的養殖方法未能及時監測牛舍內的養殖環境，導致牛只健康問題的出現。這不僅對牛場的經營產生不利影響，還對牛奶的質量造成威脅。因此，本文不僅對牛場的監控平臺進行了升級和改造，還借助SQL、IoT、AI等相關技術，建立了數字孿生的奶牛場養殖監控平臺。該平臺能夠實時監測牛舍內的環境參數，并為奶牛場的養殖人員提供相關指導和建議。本文以江蘇某奶牛場為例，結合前文所提及的相關理論和方法進行應用研究。

1） 采用2.1節提出的奶牛場多層級幾何建模方法。首先借助3ds Max軟件構建牛場的三維模型，并對其進行輕量化的處理；其次利用Thingjs技術對三維模型進行牛場場區的層級管理；最終完成數字孿生奶牛場多層級的幾何模型（GM）的搭建，如圖14所示。

2） 利用2.2.2節提出的多源異構數據采集方法，通過數據接口技術收集牛舍設備的運行數據；通過2.2.1節統一標識體系將實體牛場中運行數據與幾何牛場模型進行虛實映射，并結合2.2.3節提出的統一語言描述奶牛場模型，實現數字孿生信息模型（IM）的在三維奶牛場場景的精準映射，如圖15所示。

3） 利用2.3節提出的牛舍溫濕度預測模型構建了數字孿生奶牛場環境預測模型（PM）。通過對該牛舍的層級展示界面配置數據圖表展示牛舍內溫度和相對濕度的展示，如圖16所示，方便養殖人員查看牛舍明天的溫度和相對濕度狀況，有助于管理員提前規劃牛舍內風機、噴淋裝置的開關時間，緩解牛只熱應激反應，增加牛奶產量。

4） 設計三維可視化展示界面，以三維可視化的方式呈現數字孿生奶牛場養殖監控平臺，如圖17所示，限于篇幅，平臺界面僅展示功能效果。

圖17（a）為奶牛場的簡介界面，用于向外部人員介紹該牛場的基本情況（牛場概述、宣傳片、人員數量等），該界面下配備按鈕功能，點擊按鈕可顯示牛場的區域劃分、牛只分布等功能；圖17（b）為場長管理界面，用于場長查看當前場區牛只的情況（牛只數目、總體奶量等）；圖17（c）為牛舍監控界面，用于管理牛舍內的牛只以及舍內設備，包括牛舍內牛只狀況以及攝像頭的實時畫面等，鼠標點擊該界面下方的按鈕可顯示牛只的現在的健康狀況、舍內視頻融合等功能；圖17（d）為牛舍環境與設備界面，用于查看牛舍設備的信息（設備數目、用電量等），牛舍環境溫濕度數據（歷史數據、實時溫濕度、溫濕度預測），鼠標點擊下方“設備狀況”按鈕可顯示風扇、噴淋裝置的開關狀態。

4 結論

奶牛的福利對于其健康具有重要影響，而奶牛場的養殖環境對奶牛的健康和牛奶質量的影響不可忽視。本文結合數字孿生模型，對奶牛場數字孿生的幾何、信息以及預測模型進行構建，設計開發了三維可視化的數字孿生奶牛場養殖監控平臺，為構建奶牛場數字孿生模型提供參考。

1） 對奶牛場進行幾何建模，并構建了多層級的數字孿生幾何模型。多層級構建方法便于奶牛場的模型的分步驟搭建和管理，方便查找以及修改模型。

2） 通過采用孿生體標識、數據采集以及數據映射方法，建立了奶牛場數字孿生信息模型。對奶牛場的牛舍溫度和相對濕度數據進行集成顯示，對牛只的健康狀態以及牛舍的風機設備的運行狀態通過數據接口進行狀態映射。

3） 基于大數據技術和預測算法，構建了數字孿生奶牛場的預測模型。采用LSTM模型與EMD-LSTM模型對牛舍的溫度和相對濕度數據進行數據預測，并對兩種預測模型的準確性進行評估，得出EMD-LSTM預測模型在溫度和相對濕度的預測效果優于LSTM預測模型，選用EMD-LSTM預測模型對溫度和相對濕度進行預測。

參 考 文 獻

［1］ 胡肄農. 智慧奶業關鍵技術與發展建議［J］. 中國畜牧雜志， 2023， 59（4）： 318-322.

［2］ 張中鋒， 石林雄， 閆典明， 等. 甘肅省小型養殖場畜禽糞污機械化清理現狀與對策建議［J］. 中國農機化學報， 2020， 41（6）： 56-63.

Zhang Zhongfeng， Shi Linxiong， Yan Dianming， et al. Current situation and countermeasures of mechanized cleaning of livestock and poultry waste in small farms in Gansu Province ［J］. Journal of Chinese Agricultural Mechanization， 2020， 41（6）： 56-63.

［3］ 龍沈飛， 賀騰飛， 張校軍， 等. 豬的智能化飼養管理和環境控制研究進展［J］. 中國畜牧雜志， 2023， 59（5）： 34-39.

Long Shenfei， He Tengfei， Zhang Xiaojun， et al. Research progress on intelligent feeding management and environmental control of pigs ［J］. Chinese Journal of Animal Science， 2023， 59（5）： 34-39.

［4］ 張仰猛， 馬亞軍， 張翠英， 等. 山東省畜牧養殖機械化生產現狀分析及對策研究［J］. 中國農機化學報， 2021， 42（7）： 177-181， 201.

Zhang Yangmeng， Ma Yajun， Zhang Cuiying， et al. Current situation analysis and countermeasures study of mechanized production of animal husbandry in Shandong Province ［J］. Journal of Chinese Agricultural Mechanization， 2021， 42（7）： 177-181， 201.

［5］ Sisinni E， Han S. Industrial internet of things： Challenges， opportunities， and directions ［J］. IEEE Transactions on Industrial Informatics， 2018， 14（11）： 4724-4734.

［6］ Griveves M. Product lifecycle management： The new paradigm for enterprise ［J］. International Joural of Product Development， 2005， 2（1-2）： 71-84.

［7］ 陶飛， 張辰源， 張賀， 等. 未來裝備探索： 數字孿生裝備［J］. 計算機集成制造系統， 2022， 28（1）： 1-16.

Tao Fei， Zhang Chenyuan， Zhang He， et al. Future equipment exploration： Digital twin equipment ［J］. Computer Integrated Manufacturing Systems， 2022， 28（1）： 1-16.

［8］ 孫靖文， 白斌. 數字孿生漁場構建方法與應用［J］. 信息技術與標準化， 2021（11）： 31-33.

Sun Jingwen， Bai Bin. Construction method and application of digital twin fishery farm ［J］. Information Technology amp; Standardization， 2021（11）： 31-33.

［9］ 張古泰. 基于Unity3D的虛擬養殖系統的設計與實現［D］. 長沙： 湖南工業大學， 2018.

Zhang Gutai. The design and implementation of virtual farming system based on Unity3D ［D］. Changsha： Hunan University of Technology， 2018.

［10］ Du L， Yang C， Dominy R， et al. Computational fluid dynamics aided investigation and optimization of a tunnel-ventilated poultry house in China ［J］. Computers and Electronics in Agriculture， 2019， 159： 1-15.

［11］ Neethirajan S， Kemp B. Digital twins in livestock farming ［J］. Animals， 2021， 11（4）： 1008.

［12］ Slob N， Hurst W， Zedde R， et al. Virtual reality-based digital twins for greenhouses： A focus on human interaction ［J］. Computers and Electronics in Agriculture， 2023， 208： 107815.

［13］ Neethirajan S. Affective state recognition in livestock—Artificial intelligence approaches ［J］. Animals， 2022， 12： 759.

［14］ Flynn K J， Torres R， Irigoien X， et al. Plankton digital twins—A new research tool ［J］. Journal of Plankton Research， 2022， 44（6）： 805-813.

［15］ Nita M D. Testing forestry digital twinning workflow based on mobile lidar scanner and AI platform ［J］. Forests， 2021， 12（11）： 1576.

［16］ 韓利峰， 李嘉曾， 黃文博， 等. 基于Nodejs實現Web端實時在線監測［J］. 儀器儀表用戶， 2018， 25（10）： 80-83.

Han Lifeng， Li Jiazeng， Huang Wenbo， et al. A widely coverage system design for laboratory safety monitoring uses ［J］. Instrumentation， 2018， 25（10）： 80-83.

［17］ 黃祖廣， 潘輝， 薛瑞娟， 等. 基于數字孿生的數控設備互聯互通及可視化［J］. 制造技術與機床， 2021（1）： 128-132.

Huang Zuguang， Pan Hui， Xue Ruijuan， et al. Interconnection and visualization of CNC equipment based on digital twin ［J］. Manufacturing Technology amp; Machine Tool， 2021（1）： 128-132.

［18］ 趙海鵬， 周楊， 卞和方. 基于Three.js的三維虛擬校園系統設計與實現［J］. 蘭州交通大學學報， 2019， 38（3）： 85-94.

Zhao Haipeng， Zhou Yang， Bian Hefang. Design and implementation of three-dimensional virtual campus system based on Three.js ［J］. Journal of Lanzhou Jiaotong University， 2019， 38（3）： 85-94.

［19］ 楊偉新， 樊小偉， 孫榮富， 等. 數字孿生驅動的風電機組三維可視化監控與故障預警方法［J］. 彈箭與制導學報， 2023， 43（2）： 94-102.

Yang Weixin， Fan Xiaowei， Sun Rongfu， et al. Digital twin-driven 3D visualization monitoring and fault warning for wind turbine ［J］. Journal of Projectiles， Rockets， Missiles and Guidance， 2023， 43（2）： 94-102.

［20］ 陳江， 吳海波， 張藝瀟， 等. 面向數字孿生的車間運行三維實時監控系統［J］. 現代制造工程， 2023（4）： 21-32.

Chen Jiang， Wu Haibo， Zhang Yixiao， et al. 3D real-time monitoring system of workshop operation for digital twinning ［J］. Modern Manufacturing Engineering， 2023（4）： 21-32.

［21］ 周一波， 唐嘯風， 張俊， 等. 鄉村振興背景下南京都市特色農業機械化發展對策［J］. 中國農機化學報， 2022， 43（11）： 216-223.

Zhou Yibo， Tang Xiaofeng， Zhang Jun， et al. Countermeasures of mechanization in the development of urban characteristic agriculture in Nanjing under the background of rural revitalization ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（11）： 216-223.

［22］ Tekinerdogan B， Verdouw C. Systems architecture design pattern catalog for developing digital twins ［J］. Sensors， 2020， 20（18）： 5103.

［23］ Nasirahmadi A， Hensel O. Toward the next generation of digitalization in agriculture based on digital twin paradigm ［J］. Sensors， 2022， 22（2）： 498.

［24］ Verdouw C， Tekinerdogan B， Beulens A， et al. Digital twins in smart farming ［J］. Agricultural Systems， 2021， 189： 103046.

［25］ Smetana S， Aganovic K， Heinz V. Food supply chains as cyber-physical systems： A path for more sustainable personalizd nutrition ［J］. Food Engineering Reviews， 2021， 13： 92-103.

［26］ Collins L M， Smith L M. Review： smart agri-systems for the pig industry ［J］. Animal， 2022， 22（16）： 100518.

［27］ Raba D， Tordecilla R D， Copado P， et al. A digital twin for decision making on livestock feeding ［J］. Informs， 52（3）： 267-282.

［28］ 楊世春， 李強偉， 周思達， 等. 面向智能化管理的數字孿生電池構建方法［J］. 北京航空航天大學學報， 2022， 48（9）： 1734-1744.

Yang Shichun， Li Qiangwei， Zhou Sida， et al. Construction of digital twin model of lithium-ion battery for intelligent management ［J］. Journal of Beijing University of Aeronautics and Astronautics， 2022， 48（9）： 1734-1744.

［29］ 高士根， 周敏， 鄭偉， 等. 基于數字孿生的高端裝備智能運維研究現狀與展望［J］. 計算機集成制造系統， 2022， 28（7）： 1953-1965.

Gao Shigen， Zhou Min， Zheng Wei， et al. Intelligent operation and maintenance for advanced equipment based on digital twin： Challenges and future ［J］. Computer Integrated Manufacturing Systems， 2022， 28（7）： 1953-1965.

［30］ 葛敏敏. 基于物聯網的生豬養殖環境監控及氨氣預測模型研究和應用［D］. 鎮江： 江蘇大學， 2022.

Ge Minmin. Research and application of environmental monitoring and ammonia prediction model for pig breeding based on internet of things ［D］. Zhenjiang： Jiangsu University， 2022.

［31］ 楊亮， 劉春紅， 郭昱辰， 等. 基于EMD-LSTM的豬舍氨氣濃度預測研究［J］. 農業機械學報， 2019， 50（S1）： 353-360.

Yang Liang， Liu Chunhong， Guo Yuchen， et al. Prediction of ammonia concentration in fattening piggery based on EMD-LSTM ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2019， 50（S1）： 353-360.