影响猪场猪只生长性能自动测定设备数据正确性的因素及数据维护的意义

戴美玲，毛慧敏，毛江昌，李 涛，朱水芬，毛元良，林文君，杜秉华，楼平儿

（天蓬集团有限公司，浙江 衢州 324109）

目前，我国很多（种）猪场都有自动测定设备，但对其产生的数据的正确性把握，却不得而知。如果这些数据不能如实 “说出”测定猪只的生长性能，那不仅影响到育种工作的效率，甚至会对育种工作产生误导。严格、连续的场内测定是改良核心群的根本措施，是培育专门化品系的核心技术，是育种场成败的关键［1-2］。只有真实正确的测定数据才能反映受测动物在一定的测定条件下最真实、最完整的行为。

浙江开盛生态农业发展有限公司的原种猪场是国家畜禽标准化规模的养殖示范场，拥有27台奥饲本自动测定设备。在长期的实践过程中，为了保障测定数据正确性，发现需要做两方面的重要工作：一是减少设备运行过程中影响数据正确性的因素，二是对出错数据根据具体情况进行分析与维护。数据维护是自动设备的数据质量管理系统中的重要工作之一，只有进行分析与合理维护的测定数据，才能最大限度地展现测定动物的最真实的行为，才具有评估、应用与交流比较的实际意义。

图1 某测定站在一段时间里观察到的差值与DPC变化情况

该文首先介绍为什么在动态下料型自动测定设备得到的数据需要进行维护，并尝试对影响测定数据的因素进行分类、探索数据维护的路径和方法。

1 影响自动测定设备测定数据正确性的因素

在进行动物生长性能测定时，自动测定设备处于一个24 h不间断、全自动的工作状态。奥饲本自动测定系统，每天产生的行为数据量（也叫事件数据，每个事件数据包括时间、身份、采食和体重4个方面数据）可达4 000个左右，能准确记录测定站发生的各种实际状况 （甚至包括老鼠偷食行为等）。

相对其他行业，动物生长性能自动测定设备的工作环境更恶劣，尤其表现在测定动物的行为数据上（远比人们想象的要复杂），而且自动测定设备现阶段还不具备“超智能”。也正因为如此，即使在保证设备正常工作的情况下，仍会经常出现不少出错数据。在长期的实践过程中，天蓬集团（浙江开盛）生态农业发展有限公司坚持以恢复测定动物最真实的行为数据为目的导向，把自动测定设备运行中影响测定数据正确性的因素归结成三类：测定系统的误差因素、设备运行过程中的随机影响因素和动物的行为干扰因素。

1.1 测定系统的误差因素

正常的自动设备系统误差是设备出厂时默认设置的性能指标。比如，奥饲本牧业设备(上海)有限公司在它的设备操作手册中描述了它的称量误差在1.0%以内，也就是说饲料秤校准时的误差可以控制到±10 g的范围内；体重秤校准时的误差可以控制到±0.1 kg的范围内。综合实际运行中发生的各种因素，甚至包括动物行为造成的饲料浪费，奥饲本厂方提供的设备检测报告中显示整个日采食量的饲料称量总误差率可达到0.17%～0.63%。

因此，如果能够维持设备处于正常工作状态的话，自动测定设备在正常运行时的误差并不高，其中的默认设置一般也不会成为影响数据正确性的重要因素，在实际运行时也不作为首先考量的对象。但是，如果设备不能得到很好的维护和检修，就会出现系统故障。

例1：图1为某一测定站在一段时间里动态投料值（dispension portion calibration，DPC，即每次投料前系统自动计算下料量的校正值）与差值（指2次投料量之间的料槽重量差，对DPC值的校正有影响）的变化情况，从图中可发现A点之前差值和DPC值处于稳定的小波动状态，属于正常工作范畴；但是从A点开始差值和DPC值出现异常，差值从A到B点保持不变，而后差值为0；从A点开始DPC逐渐升高，到B点后保持不变（系统启动保护机制，DPC值被锁定）。通过综合分析该站的报告数据，发现是设备中的芯片（AD7714）出现问题，从而引发故障。

1.2 自动设备运行中发生的随机影响因素

自动设备运行中发生的随机影响因素主要是测定过程中的外界因素，如动力中断、饲料中断、设备的粘连与故障等，它的误差程度可能是系统误差的十倍甚至更多。如有发生，则主要表现在数据链中断、饲料量和体重量异常等方面。

例2：如图2所示，在出错日志里可发现于2017 年 10 月 15 日，9#、10#、11#、12#、13# 陆续出现长时间的投料失败（见图2a、b、c、d、e）。 通过现场查询发现，出现该现象的原因是饲料管理出现问题，是因断料引起的投料失败。当出现断料时，就会出现期间采食事件数据信息完整，但采食量数据几近0的现象（见图2f）。

图2 断料引起的采食量为0的记录

例3：当测定站出现投料失败，除了会引起例2种采食量为0的事件，也可能引发如图3所示的情况：该猪在2017年7月11—17日期间，日采食量数据高达3～6 kg，其中，有连续2 d的采食量超过6 kg，而这对于体重为50 kg左右的生长猪是不可能发生的。通过结合该测定站的出错数据和投料数据，发现是因为该段时间出现饲料的中断，而导致该头测定猪在一段时间内采食时被“虚投”了饲料，造成该头猪的几天采食量汇总结果异常。

1.3 动物的行为干扰因素

图3 测定过程中某一测定猪的采食量“虚高”记录

按经典数据误差理论来讲，影响因素只分成系统误差和随机误差两大类，动物的行为差异也应该作为外界随机的影响因素。但是，在自动测定设备对动物测定的特殊情况下，把它作为特别的一项因素，这会有利于对出错原因的分析和数据维护，原因有3个：①经常有纯粹的动物异常行为表现为“出错”数据；②动物习性叠加到设备的局限性上，会加剧和放大出错的概率；③有动物行为参与的出错数据量占总出错数据量的很大比例。

例4：如图4a所示在该猪在2017年10月5日，体重突然下降，而在实际生产中猪的体重不可能起伏如此大，通过分析是动物的采食行为引起的。

例5：在测定站运行过程中，发现2017年10月12日、2017年10月13日、2017年10月14日3 d里有1头猪没有任何体重（见图5 a），结合该猪的采食数据（见图5b）以及每天的日报告发现，该猪是因为生病，3 d未进行采食，该采食量数据正确地反映了该猪在这3 d中发生的情况，但同时也造成数据（体重值）的缺失。

在实际测定环境中，测定猪采食事件数据异常主要体现在以下4个方面：数据链中断、饲料中断、设备粘连和动物异常行为。

数据链中断是指自动测定设备采集的事件数据之间时间间隔超过2～3 h。因为自动测定设备是24 h不间断地运行，一般一个测定栏里受测猪为12头左右，据笔者多年观察发展，12头猪一天内的采食间隔时间通常不应超过2～3 h。另外，由于身份识别功能的失效，引起阶段性零耳牌事件数突发的情况，也会导致数据链中断，造成数据缺失。

饲料中断是指在一段时间里料槽在补料过程中不能得到足够的饲料量的现象，会影响DPC值，导致相应一段时间的投料差异，影响动物的采食量数据。与此同时，如果饲料中断这一事件发生的时间较长，还会引起动物的应激反应。

设备粘连主要是料槽秤和体重秤在机械或其他原因引起其称量值受到黏滞的影响，导致饲料量和体重信息的错误采集。其表现在负采食量、饲料量和体重量的异常波动等情况。

动物异常行为是指受测动物发生的应激行为，以及处于正态分布范围以外的发生行为。该因素往往会与前面的2个情况相互作用，且会放大影响。

2 数据维护及其意义

针对这些出错数据，Casey等根据分成的7个出错数据类型（每次事件的采食量、每次采食事件占用的时间、每次采食的速度、发生事件的导出饲料量误差、发生事件的导入饲料量误差、发生事件的导出时间误差、发生事件的导入时间误差），并由此衍伸出16种不同出错类型的阈值。在数据筛选时，主要根据动物行为数据是否符合正态分布的理论，通过数学模型的运算修正偏离正态曲线范围的数据［3-4］。所以，一般直接将这些超出阈值的数据摒弃，以减少它们的出现频率。然而笔者通过严谨的分析，如果简单地将这些“出错”的数据（在记录中受到各种因素影响而发生偏离的记录数据）删除，会造成数据的缺失，还不能准确地反映测定动物的真实行为。

对于出现的异常数据要对测定过程中的所有数据进行综合的分析与评定，据此进行维护后才能获得反映动物的真实采食行为的测定数据［5-6］。该文中提及的数据维护方法其应用前提是设备系统处于正常管理状态。自动测定设备的数据在实际上受到的影响因素很多，在此无法将所有情况一一列举。该文将列举几个案例，仅供参考。

例6：如图4a中，测定猪2017年10月5日体重突然下降，通过数据分析发现是动物的采食行为造成的，但如果直接以该数据为基数或直接将其删除，势必会影响该猪的日增重数据正确性，而这些最终都会影响到100 kg体重的日龄、总采食量和饲料报酬等数据的正确性，因此，需要对该天猪只的体重进行维护 （取相邻2 d体重的平均值作为该天猪的体重）（见图4b），通过比较维护前后该猪的日增重发现，维护后平均日增重增加了0.003 kg/d。

例7：“虚投”的饲料量对整个测定站的饲料报酬数据的正确性影响也很大。对于生长阶段猪（体重约50 kg）来讲，单次采食量≥1.5 kg从统计学上来讲发生概率仅约为0.1%，所以它可作为动态投料型设备发生设备故障和管理失常的一个标志值。这里做了一个关于单次采食量≥1.5 kg事件数据的统计，结果见表1。

表1的数据显示测定站1#、2#运行结果是较理想的，其他测定站运行的结果并不尽如人意，特别是5#站，单次采食量≥1.5 kg事件占总采食事件数的比例高达13.78%。通过追溯系统运行的日报告文件以及出错数据及投料数据，分析发现导致 3#、4#、5#、8#单次采食量≥1.5 kg事件数显著增加的主要原因是饲料中断引起动态投料时虚投量增加。此外，数据分析显示，仅统计单次采食量≥1.5 kg事件的采食量一项，就能发现其对于测定猪整体的采食水平影响之大。测定站8#就因为动态投料时的虚投导致猪只的采食量提高了62.99%，而这将直接导致该站的平均饲料报酬增加62.99%，若对这些数据不进行合理的维护，那么该站的饲料报酬测定数据就不是真正体现猪的真实水平，而是含有了“虚高”的饲料报酬，而这样的数据也就失去了使用的意义和价值。

表1 单次采食量≥1.5 kg事件占总采食事件数的比例

3 小结

综上所述，自动测定系统中获得的测定数据，并不是可以直接拿来分析的，更不能直接拿来下结论。因为自动测定系统在实际运行环境中受到测定系统的误差因素、设备运行过程中的随机影响因素和动物的行为干扰因素等因素的影响或干扰，或多或少会影响测定数据的正确性。

这些因素的影响可以从数据链中断、饲料中断、设备粘连、动物异常行为4个方面考虑，并进行判断和分析。通过减少设备运行过程中影响数据正确性的因素，及对出错数据根据具体情况进行分析与维护，就比较有把握获得正确性高的数据。

所幸的是，相关工作者已经意识到自动测定设备获得的数据的正确性需前前后后考虑较多的因素，经过认真、细致、谨慎地进行分析和维护，才能有把握地说：这些数据能最大限度地展现测定动物的最真实的行为，才具有进一步评估、应用、交流、比较的实际意义。相信，建立完善的数据质量管理体系，测定站所获数据的正确性会越来越好，从中得到的结论指导生产的可靠性也越来越高。

参考文献：

［1］刘榜.家畜育种学［M］.北京：中国农业出版社，2007.

［2］王青来，吴珍芳，刘敬顺，等.原种猪场如何做好现场育种［J］.养猪，2011（2）：53-56.

［3］CASEY D S， STERN H S， DEKKERS J C， et al.Identification of errors and factors associated with errors in data from electronic swine feeders ［J］.Journal of Animal Science，2005， 83（5）：969-982.

［4］EISSEN J J，KANIS E，MERKS J W M.Algorithms for identifying errors in individual feed intake data of growing pigs in group-housing ［J］.Applied Engineering in Agriculture，1998，14（6）：667-673.

［5］杜秉华，楼平儿，王燕丽.种猪生长性能自动测定系统的数据正确性及其影响因素 ［J］.猪业科学，2017，34（5）：110-113.

［6］SAINTILAN R，SELLIER P，BILLON Y，et al.Genetic correlations between males，females and castrates for residual feed intake， feed conversion ratio， growth rate and carcass composition traits in Large White growing pigs［J］.J Anim Breed Genet，2012 ，129（2）：103-106.