基于数字孪生技术的奶牛场养殖监控平台设计

仇振升 胡肄农 刘建龙 段恩泽 田雨 柏宗春

摘要：

为应对动物疫情以及非牧场人员对奶牛养殖生产的不利影响，结合奶牛场的需求，采用数字孪生技术，提出构建数字孪生奶牛场养殖监控平台的方案。此平台基于数字孪生奶牛场模型（DDTM）搭建，DDTM由三部分组成，分别为数字奶牛场的几何模型GM、信息模型IM和预测模型PM。对于GM采用3ds MAX三维建模软件对奶牛场内的建筑、奶牛以及设备进行几何建模，最终实现奶牛场的三维可视化效果；对于IM通过特定孪生标识体系、远程数据上传以及解析等方法，实现数字孪生奶牛场与实际物理奶牛场之间的映射；对于PM利用预测模型预测养殖舍内温湿度变化趋势，指导奶牛的养殖健康和生产。这一综合方案为数字孪生奶牛场的建设提供创新的思路和实践参考，将促进数字畜牧的可持续发展、提高奶牛养殖的效益。

关键词：奶牛场；数字孪生；三维可视化；信息模型；预测模型

中图分类号：S823： S818.9

文献标识码：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

近年来，数字技术在畜牧养殖业域呈现强大的发展势头。与奶牛养殖相关的信息技术、国产智能装备、牧场管理平台大量涌现［12］。我国奶牛养殖模式呈现区域化差异，西北部主要为大放牧式，中部地区以集中化、规模化为主［3］。当前，动物疫情成为影响奶牛场运营的主要因素，为了降低养殖传染风险，迫切需要减少人员和车辆在奶牛场中的流动［34］。因此线上管理、远程调控技术成为了牛场的优先管理办法。为建立数字化奶牛场，当前行业内的研究重点集中在以下方面：借助信息技术、云计算、通信技术构建奶牛场—云端—终端的信息的传输体系，实现信息的高效传输；利用人工智能预测算法控制设备的运行、识别牛只、识别人员以及管理牛场的生产活动。这一系列的技术创新推动传统奶牛养殖业向科学化、现代化的发展迈出重要一步［45］。

数字孪生在21世纪初由Grieves［6］提出，应用于美国航空发动机等复杂设备复杂系统的产品生命周期管理，随后在各行业中逐步推广应用。随着农业数字化、精准化理念的不断深入，数字孪生技术在养殖工程中的应用需求愈发迫切，利用数字化手段构造与农业实体互联互通的数字体，有利于实时获取实体的实际情况、分析当前的运行态势以及优化处理［7］。孙靖文等［8］利用数字化工具，通过对渔场的水域、养殖鱼类、能效管理、养殖场生态等方面进行建模、仿真，搭建了数字孪生渔场的场景底座，但该研究构建的二维模型无法多角度、多方位的显示渔场全貌。张古泰［9］对猪场的外围场景、猪舍、理化实验室等方面进行三维模型的创建，通过Unity3D平台搭建虚拟场景，设计了猪场虚拟养殖系统，该场景对猪场三维场景的仿真性要求高，但没有涉及对猪场数据的实时监测管理。以上研究是数字孪生技术在养殖工程中的初步尝试，得到了一定的应用效果。在农业领域数字孪生大多采用仪表面板型的呈现方式［1011］，使用三维可视化呈现得仍然很少。Slob等［12］利用虚拟现实技术与数字孪生技术，将孪生温室通过VR技术与用户进行视觉交互，该设计主要考虑孪生温室的视觉交互的体验感。Neethirajan等［1113］提出利用多传感器搜集养殖场的动物情感状态和行为情况，利用数字孪生技术为动物行为和情感建模创建新的数据驱动技术，利用人工智能预测动物的行为和情感状况，助力农场管理者对动物的情绪和行为预警，极大地提高动物的福利和生产力，助力畜牧业可持续发展。目前数字孪生技术大多用于制造业的车间生产管理中［1415］，且数字孪生技术在各行业应用的侧重点不同，在畜牧养殖领域，利用数字孪生技术在畜牧养殖研究鲜有报道。

基于此，本文拟结合数字孪生技术、考虑奶牛场孪生模型的搭建成本以及当前奶牛场监管需求，提出构建数字孪生奶牛场养殖监控平台。该方法需要使用3ds MAX三维建模软件对奶牛场内的建筑、奶牛以及设备进行几何建模，包括形状、结构、纹理和颜色。通过目标特定标识、远程数据上传以及分析等方法，实现虚拟与实际奶牛场的映射，构建奶牛场的信息模型。同时，借助大数据技术和预测算法，对养殖舍内的环境进行监测和预警，以确保奶牛的健康养殖。最终以三维可视化的方式呈现奶牛场数字孪生养殖监控平台。

1 奶牛场数字孪生养殖监控平台构建

本文将奶牛场数字孪生养殖监控平台的构建分为物理奶牛场、孪生奶牛场、数据平台、平台服务4个部分［16］，如图1所示。

其中，物理奶牛场指维持奶牛场运营的客观存在的物理实体；孪生奶牛场是物理奶牛场的虚拟映射［17］，对实体奶牛场中牛只生产管理的仿真体；数据平台指存放牛只在生产环节产生的一些数据，包括体重、产奶量及健康状况等信息的平台。数据是孪生奶牛场的核心，包括数据平台中的历史数据以及奶牛场养殖舍中通过传感器采集到的实时环境数据［18］；服务指通过物理奶牛场与孪生奶牛场的实时交互，对奶牛场的数据显示以及环境预测［19］，如牛只产奶量的数值显示、奶牛场实时视频的显示、奶牛养殖舍内环境预测、设备状态等。通过这种构建方法可应对动物疫情及非牧场人员对奶牛养殖生产的影响，并以三维可视化的方式呈现奶牛场［20］。

构建奶牛场数字孪生模型不仅涵盖了对物理奶牛场的几何模型建模，还需依托物理奶牛场内的相关机械、电器设备以及牛只等实体建立多属性、多从属的信息模型［2122］。因此，本文提出了数字孪生奶牛场模型DDTM（Dairy Digital Twin Model），可描述为DDTM={GM，IM，PM}，如图2所示。

在DDTM模型中，GM（Geometric Model）是用于呈现实体奶牛场在孪生空间的三维状态，其中包括奶牛场物理实体的尺寸、形状、材质。几何模型GM可描述为GM={MS，MM，MF}。式中：MS（Model Scale）为模型尺寸数据；MM（Model Material）为模型材质数据；MF（Model Feature）为模型形状数据。

在DDTM模型中，IM（Information Model）采用统一语言表达物理奶牛场在孪生空间的特征，以描述实物的身份标识以及物理对象的属性信息，包括环境数据信息、设备的状态信息以及层级从属等方面的信息［23］。IM具体描述为IM={ID，NA，MT，CP，GL}。式中：ID（Identity）为孪生模型的唯一标识；NA（Name）为孪生模型的名称；MT（Model Type）为模型类型；CP（Custom Property）为自定义属性；GL（Geographic Location）为孪生模型的位置信息。

在DDTM模型中，PM（Prediction Model）用于描述数字空间中牛舍内设备运行机理的预测，包括对牛舍内设备的机理模型以及基于牛场环境数据的智能预测模型。PM具体描述为PM={MPM，SPM}。MPM（Mechanism Prediction Model）为机理预测模型；SPM（Smart Prediction Model）为智能预测模型。

奶牛场数字孪生模型的构建过程如图3所示。首先，采用3ds MAX三维建模软件绘制实体奶牛场的几何模型，通过对绘制的模型做格式转换（.max文件转换成.tjs文件）以及材质合并、贴图处理和模型合并等模型轻量化处理；利用JavaScript程序设计语言和Thingjs三维可视化技术实现三维模型的可视化应用；其次，构建信息模型IM，将牛只信息平台中的数据以及牛舍中的环境数据信息，按照JavaScript语言编写的JSON格式的数据接口，对多源数据信息进行数据解析、数据封装和字段映射等实现信息的无障碍传输与分享；然后，根据需求要对牛舍内环境数据进行分析，通过智能预测算法构建预测模型PM；最后，通过奶牛场的模型唯一身份标识ID，建立起奶牛场数字孪生模型DDTM，实现物理实体到孪生体的映射［24］。

2 奶牛场数字孪生的关键技术

2.1 奶牛场多层级的几何建模搭建

本文将奶牛场的几何模型进行层级的划分［25］，便于对几何模型的管理和查找。按牛场的区域将层级划分为场区环境、人员活动区、奶牛养殖区、废弃物处理层等高级别层；人员活动区往下可分为办公室、住宿区等层级；奶牛养殖区可分为牛舍区、饲料区、挤奶间等层级；将这些几何模型归类到各层级，利用Thingjs三维可视化技术将模型库中的单体几何模型进行鼠标拖拽的方式组合成虚拟奶牛场场景，通过配置的场景控制事件，切换奶牛场的外部层级到内部层级的展示，如图4所示。

图5所示为奶牛场三维可视化应用，利用孪生体标识可将环境数据、牛只数据等数据相互绑定，可以实现包括三维场区漫游、设备查询、视频融合、设备状态监控以及设备告警等应用［26］。通过对基础几何模型进行笛卡尔变换和模型拼接操作，形成多层级的可视化交互，包括牛舍层、牛舍区层、奶牛养殖区层和奶牛场区层；采用echarts图表、物联网系统、数据预测等工具呈现数据的平台应用，实现孪生奶牛场在平台的在线视频监控，为养殖场提供实时的、可交互的、全场区的可视化服务。

2.2 奶牛场数字孪生信息模型建模

奶牛场数字孪生信息模型包括数据采集、数据接口、数据映射等关键环节。其中，孪生体标识的要素包括孪生体ID、自定义属性CP等使用孪生体ID以及自定义属性CP等，由此可以做到奶牛场中各单一实体与孪生空间的数据一一对应；采集基于云边端架构的多源异构数据，实现牛舍内的智能感知；依托JavaScript编程语言描述孪生空间与物理实体的空间信息、属性信息等映射关系并通过编写的数据接口将采集数据上传，实现物理奶牛场到孪生模型的数据映射。

2.2.1 奶牛场孪生体统一标识体系

通过赋予奶牛场中的奶牛、设备、人员及建筑等孪生体ID，达到数字孪生奶牛场的孪生体数据库中对孪生体信息进行索引和展示的目的［27］。本文制定了奶牛场孪生体标识体系，该体系由孪生体ID、名称、空间所属以及自定义属性4部分组成。其中，孪生体ID用于定义孪生体身份的唯一标识且不可重复；名称用于孪生体实例的显示名称，如设备名称、位置名称等；空间所属用于孪生体实例在三维空间中的空间所属，记录其父级孪生体的编号；自定义属性用于自定义孪生体所需的其他属性，如图6所示（以牛只孪生体为例），借助这一标识，能够方便地对奶牛场的孪生体进行量化，为奶牛场的智能化发展打下数据解析基础。

2.2.2 多源异构数据采集方法

感知物理牛舍是实现数字孪生奶牛场的前提和基础。在奶牛场的养殖生产过程中，主要数据来源包括牛只、环控、视频监控等设备，或是涵盖数据平台系统［2728］。另外，由于奶牛场安装的设备来自不同的生产厂家，因此，各种设备的物理接口和接口之间编写的协接口议不一致。为应对这种多样性，应采用数据接口的方式进行多源异构数据的采集，如图7所示。从平台层获取数据，需要编写相关数据接口的程序，从数据平台中获取牛只相关信息，数据接口将牛只数据进行数据解析、属性字段映射以及数据封装等步骤，向数字孪生平台发送信息，最后利用孪生平台的数据面板或图表用于配置及显示牛只信息；从摄像头采集视频数据，摄像头通过4G网络将视频数据保存在硬盘录像机中，通过4G网关将实时的RTSP视频数据转换成网页可视的HTML格式的视频数据，通过配置牛舍中的摄像头将视频显示在与物理实体相同的位置；从温湿度传感器获取数据，通过4G/LAN网络传输到数据平台和数字孪生平台，在数字孪生平台中用于展示环境数据信息，将环境数据通过智能环境预测模型进行数据预测，将预测的数据发送到孪生平台指导奶牛场养殖人员在各时间点做好防护措施。

2.2.3 统一语言描述奶牛场模型

奶牛场设备系统包括了牛舍内的环控设备以及牛舍外的饲喂装置等操作设备，清晰准确地表达各独立设备之间的模型关系十分重要。因此本文提出了奶牛场的养殖规范和操作流程，建立系统统一的语言规范来描述奶牛场的模型，如图8所示，以实现多源数据的描述和多层级状态映射，包括属性数据集、组件数据集以及方法数据集。

其中，属性数据集分为静态数据集、动态数据集和动作数据集；静态数据集指的是那些在奶牛场中使用后不会发生变化或者变化频率很低的数据，例如环控设备的编号、位置信息、牛只的编号等；动态数据集则包括了牛只的奶量信息、环控设备的状态信息、牛舍内的环境数据等；动作数据集表示了牛场设备的动态操作指令，例如奶罐车进出场区的行驶路线规划，牛舍内环控设备的定时启动时间、舍内清污设备的定时运行频率（例如每小时运行一次）等。组件数据集则表示设备的各个部件集合，如喷淋装置集包括了喷淋头、水管、水箱等。方法数据集则用来描述设备具有的各种行为动作，例如开启、关闭、车辆进场、车辆出场等操作。

2.3 牛舍环境温度湿度预测模型建模

本次牛舍内的传感器布置如图9所示，右侧是牛舍的俯视图，布置的4个百叶箱型传感器在牛舍采食栏位上方离地2.5m的位置［2930］；牛舍外东南方向5m处安装了江苏省气象服务中心的小型气象站，如图9左上角所示，牛舍外的温湿度数据由该气象站的网页端获取历史数据。

2.3.1 数据预测模型的选用

1） LSTM数据预测模型。

牛舍内的环境场是多变量、非线性变化的，其中舍内温度、湿度是对牛只影响最大的两个参数［2829］。本文根据奶牛养殖要求，结合牛舍内实际的环境，提出基于LSTM （长短期记忆神经网络）环境温湿度预测模型方法，如图10所示。LSTM神经网络将先前的神经元转变成遗忘门、输入门、输出门和细胞状态的结构，利用细胞状态更新控制信息。

该方法首先采集牛舍内外的温湿度数据采集并对数据预处理；其次，数据序列分解，将非线性的温湿度数据进行分解达到各分量的数据较为平稳；然后，采用LSTM算法将牛舍内外的温湿度数据输入；最后，将预测出的分量结果进行数学计算。环境数据的预测通过数据样本学习预测，助力养殖人员对牛只养殖环境精准预测，调节牛舍温室环境，减少牛只热应激情况。

2） EMD-LSTM数据预测模型。

采用EMD（经验模态分解）与LSTM（长短时记忆神经网络）相结合的方法，构建EMD-LSTM的牛舍内温湿度值预测模型，对牛舍内的温度和湿度进行数据预测，算法流程如图11所示。

数据预处理：通过牛舍内采食栏位上方的4个环境自动检测设备获取舍内温度和相对湿度数据，舍外由江苏省气象服务中心的一个小型气象站获取牛舍外的温度和相对湿度数据。经过观察牛舍内自动检测装置保存的温度湿度数据发现各时间段的温度湿度数据的差值很小，因此选择其中的一个自动检测装置和小型气象站的同一个月的温湿度数据进行数据预处理。

温度与相对湿度数据分解：采用EMD对温度和相对温湿度数据序列进行分解，将非线性的温度和相对湿度分解成多个尺度的数据量，分解后的数据量比未分解的数据更为平稳，分解后的数据量具有各分量的特征信息。

数据预测：将分解后的多个IMF分量和RES残余量利用LSTM算法对数据进行建模，将牛舍内外的温度、相对湿度作为输入变量，输出值为未来的牛舍内的温度、相对湿度数值。首先，初始化预测模型的参数；其次，将分解后的各分量数据输入预测模型中，通过Adam自适应算法多次优化迭代调整环各分量参数能够更准确反应各分量的变化，提高牛舍内温度和相对湿度的准确度；最后，将各分量的预测结果进行求和，作为牛舍内的温度和相对温湿度的预测结果。

本次数据预测模型选用LSTM与EMD-LSTM两种数据预测模型进行数据预测，通过对比这两种预测模型的预测结果的误差，通过绝对误差、平均绝对百分比误差以及均方根误差这三个评价指标值比较预测模型的精度，选用精度高的作为数字孪生的数据预测模型。

2.3.2 温湿度数据预处理

1） 异常数据处理。

牛舍采集的温度、湿度数据与平均数据的差值的绝对值大于3倍的标准差，被认为异常数据，异常数据将被替换成异常点两侧数据的均值。

2） 均值处理。

该牛舍内的温湿度采集装置每2min采集一次，经过长期观察采集的数据，发现牛舍中半小时数据采集变化差异不大，因此为了减少数据的处理量将采取每半小时采用均值算法处理温湿度数据。表1为经过半小时处理的牛舍的温湿度数据。处理公式如式（2）所示。

2.3.3 EMD的温湿度序列分解结果

牛舍温度和相对湿度数据具有非线性的特点，采用EMD数据算法对2023年7月1—21日21天采集到的牛舍内外的温度和相对湿度进行分解，将牛舍内的温度和相对湿度数值作为输入值，输出为温度和相对湿度数据的各分量，EMD分解结果如图12所示。

EMD算法将数据序列分解成9个分量包括8个IMF模态分量和1个RES残差量。其中，8个IMF模态分量的振动频率依次减小，表示牛舍内外温度和相对湿度呈现周期性性变化和振动的影响；RES残差量表示在21天之间的牛舍内外温度和相对湿度数据变化趋势。IMF1～IMF4的内涵模态分解迭代次数不多，数据呈现出振动频率较高，存在较大的无序性；通过迭代次数的增加，内涵模态分解量IMF5～IMF8的数据呈现的周期性较为明显，规律性强于IMF1～IMF4的模态分解量。

2.3.4 预测模型温度湿度数据预测

采用LSTM模型与EMD-LSTM模型对牛舍内的温度与相对湿度进行数据预测，选取2023年7月1—21日的数据作为训练样本，选取7月22—27日的数据作为测试样本。采用EMD对数据进行模态数据分解并利用LSTM模型对各个数据分量进行数据训练和数据预测，输入变量为4，输出变量为2，利用Adam算法不断自动调整预测模型的输入参数，将输入层的时间步设置为24，隐藏层的层数设置为200，学习率为0.005，最后对各个分量的预测结果进行数据求和得到牛舍内的温度与相对湿度数据预测值，最终的预测结果如图13所示。

通过观察图13中的温度和相对湿度的实际值与预测值，LSTM模型与EMD-LSTM模型预测结果的相比开头部分出现较大的数据误差，因此，基于EMD-LSTM模型对环境中温度与相对湿度的预测结果较好，与舍内温湿度值的实际值基本一致。选用EMD-LSTM预测模型作为奶牛场的数据预测模型，能够较好地拟合牛舍的温湿度曲线，提高对牛舍的温湿度的预测精度，方便指导养殖人员对未来几天牛舍内的温湿度数值。

2.3.5 评价标准

为了评价模型预测结果的准确性，采用了3个指标来衡量各模型的预测结果，如表2所示，包括平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和均方根误差（RMSE）。这些指标的数值越小，预测方法的准确性越高，从而说明预测效果越好［31］。由此可见EMD-LSTM预测模型确实优于LSTM预测模型。

3 案例应用

随着我国居民对奶制品质量要求的提高，传统的养殖方法未能及时监测牛舍内的养殖环境，导致牛只健康问题的出现。这不仅对牛场的经营产生不利影响，还对牛奶的质量造成威胁。因此，本文不仅对牛场的监控平台进行了升级和改造，还借助SQL、IoT、AI等相关技术，建立了数字孪生的奶牛场养殖监控平台。该平台能够实时监测牛舍内的环境参数，并为奶牛场的养殖人员提供相关指导和建议。本文以江苏某奶牛场为例，结合前文所提及的相关理论和方法进行应用研究。

1） 采用2.1节提出的奶牛场多层级几何建模方法。首先借助3ds Max软件构建牛场的三维模型，并对其进行轻量化的处理；其次利用Thingjs技术对三维模型进行牛场场区的层级管理；最终完成数字孪生奶牛场多层级的几何模型（GM）的搭建，如图14所示。

2） 利用2.2.2节提出的多源异构数据采集方法，通过数据接口技术收集牛舍设备的运行数据；通过2.2.1节统一标识体系将实体牛场中运行数据与几何牛场模型进行虚实映射，并结合2.2.3节提出的统一语言描述奶牛场模型，实现数字孪生信息模型（IM）的在三维奶牛场场景的精准映射，如图15所示。

3） 利用2.3节提出的牛舍温湿度预测模型构建了数字孪生奶牛场环境预测模型（PM）。通过对该牛舍的层级展示界面配置数据图表展示牛舍内温度和相对湿度的展示，如图16所示，方便养殖人员查看牛舍明天的温度和相对湿度状况，有助于管理员提前规划牛舍内风机、喷淋装置的开关时间，缓解牛只热应激反应，增加牛奶产量。

4） 设计三维可视化展示界面，以三维可视化的方式呈现数字孪生奶牛场养殖监控平台，如图17所示，限于篇幅，平台界面仅展示功能效果。

图17（a）为奶牛场的简介界面，用于向外部人员介绍该牛场的基本情况（牛场概述、宣传片、人员数量等），该界面下配备按钮功能，点击按钮可显示牛场的区域划分、牛只分布等功能；图17（b）为场长管理界面，用于场长查看当前场区牛只的情况（牛只数目、总体奶量等）；图17（c）为牛舍监控界面，用于管理牛舍内的牛只以及舍内设备，包括牛舍内牛只状况以及摄像头的实时画面等，鼠标点击该界面下方的按钮可显示牛只的现在的健康状况、舍内视频融合等功能；图17（d）为牛舍环境与设备界面，用于查看牛舍设备的信息（设备数目、用电量等），牛舍环境温湿度数据（历史数据、实时温湿度、温湿度预测），鼠标点击下方“设备状况”按钮可显示风扇、喷淋装置的开关状态。

4 结论

奶牛的福利对于其健康具有重要影响，而奶牛场的养殖环境对奶牛的健康和牛奶质量的影响不可忽视。本文结合数字孪生模型，对奶牛场数字孪生的几何、信息以及预测模型进行构建，设计开发了三维可视化的数字孪生奶牛场养殖监控平台，为构建奶牛场数字孪生模型提供参考。

1） 对奶牛场进行几何建模，并构建了多层级的数字孪生几何模型。多层级构建方法便于奶牛场的模型的分步骤搭建和管理，方便查找以及修改模型。

2） 通过采用孪生体标识、数据采集以及数据映射方法，建立了奶牛场数字孪生信息模型。对奶牛场的牛舍温度和相对湿度数据进行集成显示，对牛只的健康状态以及牛舍的风机设备的运行状态通过数据接口进行状态映射。

3） 基于大数据技术和预测算法，构建了数字孪生奶牛场的预测模型。采用LSTM模型与EMD-LSTM模型对牛舍的温度和相对湿度数据进行数据预测，并对两种预测模型的准确性进行评估，得出EMD-LSTM预测模型在温度和相对湿度的预测效果优于LSTM预测模型，选用EMD-LSTM预测模型对温度和相对湿度进行预测。

参 考 文 献

［1］ 胡肄农. 智慧奶业关键技术与发展建议［J］. 中国畜牧杂志， 2023， 59（4）： 318-322.

［2］ 张中锋， 石林雄， 闫典明， 等. 甘肃省小型养殖场畜禽粪污机械化清理现状与对策建议［J］. 中国农机化学报， 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］ 龙沈飞， 贺腾飞， 张校军， 等. 猪的智能化饲养管理和环境控制研究进展［J］. 中国畜牧杂志， 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］ 张仰猛， 马亚军， 张翠英， 等. 山东省畜牧养殖机械化生产现状分析及对策研究［J］. 中国农机化学报， 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］ 陶飞， 张辰源， 张贺， 等. 未来装备探索： 数字孪生装备［J］. 计算机集成制造系统， 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］ 孙靖文， 白斌. 数字孪生渔场构建方法与应用［J］. 信息技术与标准化， 2021（11）： 31-33.

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

［9］ 张古泰. 基于Unity3D的虚拟养殖系统的设计与实现［D］. 长沙： 湖南工业大学， 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］ 韩利峰， 李嘉曾， 黄文博， 等. 基于Nodejs实现Web端实时在线监测［J］. 仪器仪表用户， 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］ 黄祖广， 潘辉， 薛瑞娟， 等. 基于数字孪生的数控设备互联互通及可视化［J］. 制造技术与机床， 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 & Machine Tool， 2021（1）： 128-132.

［18］ 赵海鹏， 周杨， 卞和方. 基于Three.js的三维虚拟校园系统设计与实现［J］. 兰州交通大学学报， 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］ 杨伟新， 樊小伟， 孙荣富， 等. 数字孪生驱动的风电机组三维可视化监控与故障预警方法［J］. 弹箭与制导学报， 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］ 陈江， 吴海波， 张艺潇， 等. 面向数字孪生的车间运行三维实时监控系统［J］. 现代制造工程， 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， 唐啸风， 张俊， 等. 乡村振兴背景下南京都市特色农业机械化发展对策［J］. 中国农机化学报， 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］ 杨世春， 李强伟， 周思达， 等. 面向智能化管理的数字孪生电池构建方法［J］. 北京航空航天大学学报， 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， 郑伟， 等. 基于数字孪生的高端装备智能运维研究现状与展望［J］. 计算机集成制造系统， 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. 基于物联网的生猪养殖环境监控及氨气预测模型研究和应用［D］. 镇江： 江苏大学， 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］ 杨亮， 刘春红， 郭昱辰， 等. 基于EMD-LSTM的猪舍氨气浓度预测研究［J］. 农业机械学报， 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.