颗粒饲料的质量预测及精准控制

作者简介：齐胜利（1965－ ），男，副教授，研究方向为动物营养与饲料加工；E-mail：qishengli@163.com

摘  要：颗粒饲料在畜牧生产中起着越来越重要的作用，其质量直接影响饲料中营养成分的有效性和产品的商品性能。近年来颗粒饲料质量的精准控制成为研究的热点之一。通过颗粒饲料质量预测来实现颗粒饲料质量的精准控制是一种科学有效的方法。本文通过分析各种颗粒饲料质量的预测方法，结合颗粒饲料的生产技术，为颗粒饲料质量的精准控制提出了建议。

关键词：颗粒饲料；质量预测；质量控制；精准控制

中图分类号：S816.9 文献标志码：A        文章编号：1001-0769（2024）02-0106-04

随着我国饲料工业的发展，颗粒饲料在畜牧生产中占据越来越重要的地位。实际生产中，虽饲料配方和加工工艺参数相同，但饲料原料特性的不同会导致颗粒饲料质量有差异。同一条生产线对相同配方的饲料采用不同的工艺参数，也会引起颗粒饲料质量的变化。因此，对饲料厂来说，控制颗粒饲料的质量非常重要，直接影响饲料中营养成分的有效性和产品的商品性能，进而影响动物生产性能的发挥。颗粒饲料质量受多种因素的影响，是多因素综合作用的结果，需要全面考虑，科学控制。

在加工前预测颗粒饲料的质量，并有针对性地调整饲料配方和各种加工工艺参数对颗粒饲料质量的精准控制是科学有效的。研究人员对颗粒饲料质量的预测方法进行了诸多研究，为颗粒饲料质量的精准控制提供了可能。

1  颗粒饲料质量的预测方法

质量预测是指在加工领域中，通过一定的模型与方法将加工前可调整、控制或监测的参数与加工后的产品质量进行联系，从而在实际生产前对产品质量进行一定程度的估计和预测[1]。近些年，质量预测技术发展速度很快，有关饲料加工过程的预测技术研究也越来越多。目前，国内外对颗粒饲料质量的预测方法有以下几种。

1.1 颗粒饲料质量因子法

饲料原料的不同特性对制粒效果有不同的影响。1991年，英国Borregaard公司根据饲料原料的营养成分和制粒特性设定了原料的颗粒质量因子（pellet quality factor，PQF）[2]。PQF是赋予每种原料的分值，分值越大表示越易制粒。例如，小麦面粉易于制粒，PQF为8；油脂不利于颗粒质量的提高，PQF为－40。常见饲料原料的PQF见表1。

生产中，根据饲料配方的配比可计算出饲料颗粒质量因子（feed pellet quality factor，FPQF）[3]，从而在制粒前对颗粒饲料的质量进行预测，其计算公式如下：

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

式中，PQF为原料的颗粒质量因子；η为饲料配方中不同原料的质量分数。

1.2 最小二乘法支持向量机算法

支持向量机是基于统计学理论的一种具有严格数学理论基础和直观集合解释的新型机器学习方法，在样本数量有限、非线性及高维度问题解决中具有优势[4]。其应用较成功的是最小二乘法支持向量机算法。段宇[5]以原料的含水量和压力作为输入指标，颗粒的密度和压缩比（压缩前后的密度之比）作为输出指标，建立了支持向量机模型，并用该模型拟合了生物质的压缩成型过程。结果表明，该模型对生物质压缩成型的过程特性具有较好的模拟预测作用。

1.3 经典数学建模方法

经典数学建模方法也可对成型颗粒的成分、热值和耐久性等质量指标进行预测。

Gillespie等[6]应用多元线性回归法和偏最小二乘法预测了生物质混合物颗粒质量，结果显示，对于草本和木本生物质原料，用偏最小二乘法预测的颗粒水分、碳含量、灰分含量和总热值，与实际值相比，相关系数为0.78～0.94。另外，采用多元线性回归法预测的颗粒总热值和耐久性，与实际值相比，相关系数分别为0.94和0.99[7]。以上结果表明，工业分析、元素分析和近红外光谱分析结合经典数学建模方法，具有预测生物质颗粒质量的潜力。

1.4 响应面分析法

响应面分析法可通过多元二次方程拟合试验因素与响应值之间的函数关系，通过对回归方程的分析寻求最优工艺参数，是解决多变量问题的一种统计方法。该方法的优点是精度高、预测性好。

宋欣等[8]通过应用响应面分析法，以饲料颗粒密度为响应值，以环模的压缩比（模孔有效长度与直径之比）和压制速度为影响因子建立了压制鱼类颗粒饲料的预测模型。该试验拟合了饲料颗粒密度的二阶响应面回归模型，并通过模型分析了因子单一作用和交互作用下对饲料颗粒密度的影响。该模型可用于飼料颗粒密度的预测、成型设备主要结构参数优化和工艺方案的选择，具有一定的应用价值。

1.5 人工神经网络算法

人工神经网络算法是一种模拟人脑神经信息传递方式而建立起来的人工智能方法，是一种分布式并行处理系统，处理结果以权值形式分布存储在矩阵中。其中误差反向传播算法神经网络（back propagation neural network，BPNN）是人工神经网络中常用的一种算法。BPNN算法能够实现任意非线性输入输出的映射关系，具有自我学习的功能，对于未发生事件的预测具有重要的意义。

王红英等[9]利用数学软件MATLAB（Matrix Laboratory）中的Neural Network Toolbox模块建立了基于BPNN算法的哺乳仔猪料颗粒质量的预测模型及加工参数多目标优化方法。该模型以原料的粉碎粒度、淀粉糊化度和膨化度等特性参数以及制粒机喂料速度、调质温度和电流等工艺参数作为输入，以颗粒淀粉糊化度和最终产品的水分含量作为颗粒质量的指标，结果表明，基于BPNN算法的该模型实现了对颗粒质量的准确预测。

2  颗粒饲料质量的精准控制

通过颗粒饲料质量预测有针对性地调整饲料配方和加工工艺参数，可实现对颗粒饲料质量的精准控制。

2.1 根据饲料颗粒质量因子法预测和控制颗粒饲料质量

一般来说，颗粒饲料配方的FPQF＜5.00，会引起颗粒饲料的质量问题，FPQF＜4.70，则会导致严重的质量问题。因此，制粒时，如果FPQF≥5.00，可判定颗粒饲料质量不合格是加工工艺参数不当引起的；如果FPQF＜4.70，则要对饲料配方进行调整。

表2为某鱼类饲料配方的设计，可以看出该饲料原配方的FPQF为4.54（低于5.00），因此，应对饲料配方做适当的调整，使FPQF≥5.00，以提高颗粒饲料的质量。

这种方法简单，计算方便，通过调整饲料配方可实现对颗粒质量的精准控制。但是，原料的限制会影响配方调整时的可操作性，且PQF由人为规定，难免带有一定的片面性。

2.2 根据BPNN算法预测和控制颗粒饲料质量

影响颗粒饲料质量的物理特性、配方组成、工艺参数等变量之间有一定的随机性和非线性特征，BPNN算法可较好地解决一些线性模型在表达各变量间非线性关系时受到的局限。

通过输入饲料配方、粉碎机的筛片孔径、模孔直径、环模长径比、调质温度、主原料比例等参数，根据BPNN算法建立的模型可精准控制颗粒饲料的含粉率、生产率和耐久性等。有研究显示，根据某饲料厂实际生产数据，BPNN算法对各加工参数进行了优化，当环模长径比为7︰1、     模孔直径为3.0 mm、粉碎机筛片孔径分别为  2.0 mm和1.5 mm、调质温度为76.2 ℃时，生产率、颗粒耐久性分别提高了22.04％和6.04％。

目前，通过BPNN算法实现对颗粒质量的精准控制处于应用研究阶段，有部分饲料厂已将软件固化到制粒机上，方便在生产中应用。

2.3 根据其他方法预测和控制颗粒饲料质量

通过最小二乘法支持向量机算法预测和控制颗粒饲料质量，先要进行建模训练，然后通过输入制粒工艺参数（如输入原料含水率和压力等）进行颗粒饲料的质量预测，但如何控制颗粒饲料的耐久性、硬度和含粉率等指标还需进一步研究。

经典数学建模方法可精准控制颗粒饲料中营养成分含量，但预测和控制颗粒饲料的耐久性时，不同饲料原料的物理特性会影响其准确性。

响应面分析法可以根据制粒工艺参数或原料因素确定出特定颗粒密度所需的压缩比和压制速度，从而优化制粒工艺参数，实现对颗粒饲料密度的精准控制。

3  颗粒饲料质量精准控制的前景

随着颗粒饲料加工技术的提高，特别是目前工业自动化和人工智能技术的应用，颗粒饲料质量预测技术会成为颗粒质量精准控制的有效手段。在未来的发展中，结合动物的精准饲养，颗粒饲料质量的精准控制在实际生产中将会大大提高生产效率与应用效果。

参考文献

[1] 王红英，陈啸，杨洁，等．数学模型与方法在颗粒成型质量预测领域的研究进展[J]．饲料工业，2015，36（23）：2-10.

[2] 陈家才．颗粒饲料质量和生产效率的预计[J]．粮食与饲料工业，2005（1）：31-33.

[3] 韩浩月．优质的饲料颗粒是否有意义[J]．国外畜牧学（猪与禽），2018，38（7）：87-88.

[4] 夏铭泽，石春鹏，刘征宇，等．产品生产过程中的质量预测办法的研究[J]．制造业自动化，2020，42（4）：147-149.

[5] 段宇．生物质料物理压缩成型参数优化研究[D]．保定：华北电力大学，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，李艷聪，万志生，等．基于响应面法的鱼类饲料颗粒密度预测模型研究[J]．饲料工业，2015，36（3）：27-31.

[9] 王红英，宋春风．基于BP神经网络的饲料产品品质预测方法[J]．饲料工业，2011，32（11）：1-5.