연구: 사료 공장에 사용되는 기계 학습은 펠릿 품질을 최적화할 수 있습니다

Apr 03, 2023

2023년 1월 10일 - 2023년 1월 10일 15:19 GMT에 최종 업데이트되었습니다.

관련 태그 펠렛 품질 기계 학습 피드 밀 함수 sanitize_gpt_value2(gptValue) { var vOut = ""; var aTags = gptValue.split(','); var reg = new RegExp('\\W+', "g"); for (var i=0; i

이러한 모델은 사료 공장 내에서 특정 사료 배치에 대한 펠렛 품질 지수를 예측하는 데 사용될 수 있으며 이는 효율적인 공장 관리를 위한 유용한 핵심 성과 지표(KPI)라고 Guelph 대학의 저자는 말했습니다. 및 캐나다 Trouw Nutrition.

그들은 2022년 11월 판에 출판된 논문을 말합니다.동물 사료 과학 및 기술​​​, 다요인 데이터 세트를 기반으로 펠렛 내구성 지수를 예측하기 위해 기계 학습 회귀 모델을 처음으로 사용하는 방법을 간략하게 설명합니다.

펠릿 사료 제조에는 사료 수령, 분쇄, 비율 조정, 혼합, 컨디셔닝, 펠렛 전환, 냉각 및 포장을 포함한 일련의 공정이 포함됩니다. 이러한 공정 중에 다이 사양, 성분 입자 크기, 컨디셔닝 시간 및 온도를 포함한 여러 매개변수가 펠렛 품질을 결정하는 데 중요한 역할을 합니다.

"펠릿 사료는 소화율과 사료 소비를 증가시켜 동물의 성능을 향상시킬 뿐만 아니라 보관 및 취급이 편리하기 때문에 단위 동물 생산 시스템에서 널리 사용됩니다. 그러나 펠릿 품질은 여러 요인에 의해 영향을 받을 수 있습니다."

연구진은 인공지능(AI)의 하위 분야인 머신러닝(ML)이 수많은 구동변수와 복잡한 변수 간 상호작용을 고려할 수 있는 예측 도구로 최적의 위치에 있다고 밝혔다.

이러한 ML 모델은 명시적으로 프로그래밍하지 않고도 데이터로부터 학습하고 예측하고 일반화할 수 있다고 그들은 지적했습니다(Samuel, 1959).

본 연구에서는 ML 모델을 사용하여 상업용 사료 공장의 PDI와 관련된 사료 제제, 제조 공정 및 환경별 요인을 기반으로 펠릿 내구성 지수(PDI)를 예측했습니다.

펠릿 제조 공정, 사료 제제 및 환경 조건(실외 온도)을 설명하는 2,471개의 관찰로 구성된 데이터 세트가 8개월 동안 두 개의 사료 공장 라인에서 수집되었습니다.

회귀 모델을 구축하는 데 16개의 기능이 사용되었으며 출력은 펠릿 사료의 펠렛 내구성 지수(PDI)라고 팀은 설명했습니다.

프로젝트의 일부로 12개의 회귀 알고리즘을 조사했으며, 분석 도구를 사용하여 각 모델과 가장 관련성이 높은 기능을 식별했습니다.

저자에 따르면 대부분의 알고리즘에서 평균 실외 온도, 빵집 부산물 포함, 밀 포함 및 생산 라인이 중요한 것으로 간주되었으며 다른 모든 기능보다 전체적으로 더 높은 중요성을 가졌습니다.

"흥미롭게도 업계의 기대와는 대조적으로 믹서에 첨가되는 지방은 대부분의 기능보다 덜 중요한 것으로 밝혀졌습니다. 그러나 분쇄기에 첨가할 수 있는 지방에 상한선을 설정하는 제어 장치가 마련되어 있습니다. 믹서는 이 결과를 부분적으로 설명할 수 있습니다."​

펠릿 내구성 지수 예측과 관련된 성능 관점에서 한 모델인 Support Vector Regression이 다른 모든 모델보다 성능이 뛰어났다고 그들은 말했습니다.

연구자들은 사료 제제와 관련된 일부 요인이 연구에 포함되었지만 식단의 영양 성분과 같은 다른 요인도 이용할 수 없었다고 강조했습니다.

"사료의 영양 성분이 변할 수 있고 사료 제제가 계절에 따라 바뀔 수 있기 때문에 이러한 누락된 요소는 사료 제제 세부 사항과 비교하여 더 많은 정보를 제공할 수 있습니다. 이러한 요소를 미래 모델의 기능으로 추가하면 PDI 예측 성능을 더욱 향상시키는 데 도움이 될 수 있습니다."​