顆粒飼料的質量預測及精準控制

作者簡介：齊勝利（1965－ ），男，副教授，研究方向為動物營養與飼料加工；E-mail：qishengli@163.com

摘? 要：顆粒飼料在畜牧生產中起著越來越重要的作用，其質量直接影響飼料中營養成分的有效性和產品的商品性能。近年來顆粒飼料質量的精準控制成為研究的熱點之一。通過顆粒飼料質量預測來實現顆粒飼料質量的精準控制是一種科學有效的方法。本文通過分析各種顆粒飼料質量的預測方法，結合顆粒飼料的生產技術，為顆粒飼料質量的精準控制提出了建議。

關鍵詞：顆粒飼料；質量預測；質量控制；精準控制

中圖分類號：S816.9 文獻標志碼：A ? ? ? ?文章編號：1001-0769（2024）02-0106-04

隨著我國飼料工業的發展，顆粒飼料在畜牧生產中占據越來越重要的地位。實際生產中，雖飼料配方和加工工藝參數相同，但飼料原料特性的不同會導致顆粒飼料質量有差異。同一條生產線對相同配方的飼料采用不同的工藝參數，也會引起顆粒飼料質量的變化。因此，對飼料廠來說，控制顆粒飼料的質量非常重要，直接影響飼料中營養成分的有效性和產品的商品性能，進而影響動物生產性能的發揮。顆粒飼料質量受多種因素的影響，是多因素綜合作用的結果，需要全面考慮，科學控制。

在加工前預測顆粒飼料的質量，并有針對性地調整飼料配方和各種加工工藝參數對顆粒飼料質量的精準控制是科學有效的。研究人員對顆粒飼料質量的預測方法進行了諸多研究，為顆粒飼料質量的精準控制提供了可能。

1? 顆粒飼料質量的預測方法

質量預測是指在加工領域中，通過一定的模型與方法將加工前可調整、控制或監測的參數與加工后的產品質量進行聯系，從而在實際生產前對產品質量進行一定程度的估計和預測[1]。近些年，質量預測技術發展速度很快，有關飼料加工過程的預測技術研究也越來越多。目前，國內外對顆粒飼料質量的預測方法有以下幾種。

1.1 顆粒飼料質量因子法

飼料原料的不同特性對制粒效果有不同的影響。1991年，英國Borregaard公司根據飼料原料的營養成分和制粒特性設定了原料的顆粒質量因子（pellet quality factor，PQF）[2]。PQF是賦予每種原料的分值，分值越大表示越易制粒。例如，小麥面粉易于制粒，PQF為8；油脂不利于顆粒質量的提高，PQF為－40。常見飼料原料的PQF見表1。

生產中，根據飼料配方的配比可計算出飼料顆粒質量因子（feed pellet quality factor，FPQF）[3]，從而在制粒前對顆粒飼料的質量進行預測，其計算公式如下：

FPQF=PQF1×η1+PQF2×η2+PQF3×η3+……+PQFn×ηn

式中，PQF為原料的顆粒質量因子；η為飼料配方中不同原料的質量分數。

1.2 最小二乘法支持向量機算法

支持向量機是基于統計學理論的一種具有嚴格數學理論基礎和直觀集合解釋的新型機器學習方法，在樣本數量有限、非線性及高維度問題解決中具有優勢[4]。其應用較成功的是最小二乘法支持向量機算法。段宇[5]以原料的含水量和壓力作為輸入指標，顆粒的密度和壓縮比（壓縮前后的密度之比）作為輸出指標，建立了支持向量機模型，并用該模型擬合了生物質的壓縮成型過程。結果表明，該模型對生物質壓縮成型的過程特性具有較好的模擬預測作用。

1.3 經典數學建模方法

經典數學建模方法也可對成型顆粒的成分、熱值和耐久性等質量指標進行預測。

Gillespie等[6]應用多元線性回歸法和偏最小二乘法預測了生物質混合物顆粒質量，結果顯示，對于草本和木本生物質原料，用偏最小二乘法預測的顆粒水分、碳含量、灰分含量和總熱值，與實際值相比，相關系數為0.78～0.94。另外，采用多元線性回歸法預測的顆粒總熱值和耐久性，與實際值相比，相關系數分別為0.94和0.99[7]。以上結果表明，工業分析、元素分析和近紅外光譜分析結合經典數學建模方法，具有預測生物質顆粒質量的潛力。

1.4 響應面分析法

響應面分析法可通過多元二次方程擬合試驗因素與響應值之間的函數關系，通過對回歸方程的分析尋求最優工藝參數，是解決多變量問題的一種統計方法。該方法的優點是精度高、預測性好。

宋欣等[8]通過應用響應面分析法，以飼料顆粒密度為響應值，以環模的壓縮比（模孔有效長度與直徑之比）和壓制速度為影響因子建立了壓制魚類顆粒飼料的預測模型。該試驗擬合了飼料顆粒密度的二階響應面回歸模型，并通過模型分析了因子單一作用和交互作用下對飼料顆粒密度的影響。該模型可用于飼料顆粒密度的預測、成型設備主要結構參數優化和工藝方案的選擇，具有一定的應用價值。

1.5 人工神經網絡算法

人工神經網絡算法是一種模擬人腦神經信息傳遞方式而建立起來的人工智能方法，是一種分布式并行處理系統，處理結果以權值形式分布存儲在矩陣中。其中誤差反向傳播算法神經網絡（back propagation neural network，BPNN）是人工神經網絡中常用的一種算法。BPNN算法能夠實現任意非線性輸入輸出的映射關系，具有自我學習的功能，對于未發生事件的預測具有重要的意義。

王紅英等[9]利用數學軟件MATLAB（Matrix Laboratory）中的Neural Network Toolbox模塊建立了基于BPNN算法的哺乳仔豬料顆粒質量的預測模型及加工參數多目標優化方法。該模型以原料的粉碎粒度、淀粉糊化度和膨化度等特性參數以及制粒機喂料速度、調質溫度和電流等工藝參數作為輸入，以顆粒淀粉糊化度和最終產品的水分含量作為顆粒質量的指標，結果表明，基于BPNN算法的該模型實現了對顆粒質量的準確預測。

2? 顆粒飼料質量的精準控制

通過顆粒飼料質量預測有針對性地調整飼料配方和加工工藝參數，可實現對顆粒飼料質量的精準控制。

2.1 根據飼料顆粒質量因子法預測和控制顆粒飼料質量

一般來說，顆粒飼料配方的FPQF＜5.00，會引起顆粒飼料的質量問題，FPQF＜4.70，則會導致嚴重的質量問題。因此，制粒時，如果FPQF≥5.00，可判定顆粒飼料質量不合格是加工工藝參數不當引起的；如果FPQF＜4.70，則要對飼料配方進行調整。

表2為某魚類飼料配方的設計，可以看出該飼料原配方的FPQF為4.54（低于5.00），因此，應對飼料配方做適當的調整，使FPQF≥5.00，以提高顆粒飼料的質量。

這種方法簡單，計算方便，通過調整飼料配方可實現對顆粒質量的精準控制。但是，原料的限制會影響配方調整時的可操作性，且PQF由人為規定，難免帶有一定的片面性。

2.2 根據BPNN算法預測和控制顆粒飼料質量

影響顆粒飼料質量的物理特性、配方組成、工藝參數等變量之間有一定的隨機性和非線性特征，BPNN算法可較好地解決一些線性模型在表達各變量間非線性關系時受到的局限。

通過輸入飼料配方、粉碎機的篩片孔徑、模孔直徑、環模長徑比、調質溫度、主原料比例等參數，根據BPNN算法建立的模型可精準控制顆粒飼料的含粉率、生產率和耐久性等。有研究顯示，根據某飼料廠實際生產數據，BPNN算法對各加工參數進行了優化，當環模長徑比為7︰1、? ? ?模孔直徑為3.0 mm、粉碎機篩片孔徑分別為? 2.0 mm和1.5 mm、調質溫度為76.2 ℃時，生產率、顆粒耐久性分別提高了22.04％和6.04％。

目前，通過BPNN算法實現對顆粒質量的精準控制處于應用研究階段，有部分飼料廠已將軟件固化到制粒機上，方便在生產中應用。

2.3 根據其他方法預測和控制顆粒飼料質量

通過最小二乘法支持向量機算法預測和控制顆粒飼料質量，先要進行建模訓練，然后通過輸入制粒工藝參數（如輸入原料含水率和壓力等）進行顆粒飼料的質量預測，但如何控制顆粒飼料的耐久性、硬度和含粉率等指標還需進一步研究。

經典數學建模方法可精準控制顆粒飼料中營養成分含量，但預測和控制顆粒飼料的耐久性時，不同飼料原料的物理特性會影響其準確性。

響應面分析法可以根據制粒工藝參數或原料因素確定出特定顆粒密度所需的壓縮比和壓制速度，從而優化制粒工藝參數，實現對顆粒飼料密度的精準控制。

3? 顆粒飼料質量精準控制的前景

隨著顆粒飼料加工技術的提高，特別是目前工業自動化和人工智能技術的應用，顆粒飼料質量預測技術會成為顆粒質量精準控制的有效手段。在未來的發展中，結合動物的精準飼養，顆粒飼料質量的精準控制在實際生產中將會大大提高生產效率與應用效果。

參考文獻

[1] 王紅英，陳嘯，楊潔，等．數學模型與方法在顆粒成型質量預測領域的研究進展[J]．飼料工業，2015，36（23）：2-10.

[2] 陳家才．顆粒飼料質量和生產效率的預計[J]．糧食與飼料工業，2005（1）：31-33.

[3] 韓浩月．優質的飼料顆粒是否有意義[J]．國外畜牧學（豬與禽），2018，38（7）：87-88.

[4] 夏銘澤，石春鵬，劉征宇，等．產品生產過程中的質量預測辦法的研究[J]．制造業自動化，2020，42（4）：147-149.

[5] 段宇．生物質料物理壓縮成型參數優化研究[D]．保定：華北電力大學，2009.

[6] GILLESPIE G D，EVERARD C D，FAGAN C C，et al．Prediction of quality parameters of biomass pellets from proximate and ultimate analysis[J]．Fuel，2013，111（9）：771-777.

[7] GILLESPIE G D，EVERARD C D，MCDONNELL K P．Prediction of biomass pellet quality indices using near infrared spectroscopy[J]．Energy，2015，80（2）：582-588.

[8] 宋欣，李艷聰，萬志生，等．基于響應面法的魚類飼料顆粒密度預測模型研究[J]．飼料工業，2015，36（3）：27-31.

[9] 王紅英，宋春風．基于BP神經網絡的飼料產品品質預測方法[J]．飼料工業，2011，32（11）：1-5.