DE60205615T2

DE60205615T2 - Verfahren und system zur steuerung der biologischen reaktion von lebenden organismen

Info

Publication number: DE60205615T2
Application number: DE60205615T
Authority: DE
Inventors: Albert Daniel BERCKMANS; Jean-Marie Aerts; Joannes Erik VRANKEN
Original assignee: Katholieke Universiteit Leuven
Current assignee: Katholieke Universiteit Leuven
Priority date: 2001-06-01
Filing date: 2002-06-03
Publication date: 2006-05-18
Anticipated expiration: 2022-06-04
Also published as: ATE301925T1; PL366724A1; HUP0400061A2; GB0113292D0; DK1392109T3; HUP0400061A3; WO2002098213A2; DE60205615D1; BG108500A; EP1392109B1; EP1392109A2; AU2002344372A1; US20040199275A1; WO2002098213A3

Description

Gebiet der Erfindung
Die vorliegende Erfindung bezieht sich auf ein Verfahren und ein System zur Steuerung der dynamischen Bioreaktion von lebenden Organismen, insbesondere der Biomasseproduktion von Tieren, in Richtung auf einen vordefinierten Wert und/oder entlang einer vordefinierten Trajektorie.
Hintergrund der Erfindung
In der Bioindustrie besteht ein Bedürfnis danach, den Output von Bioprozessen, wie die Biomasseproduktion eines Tiers, aktiv und genau steuern zu können, um einen Output zu produzieren, der die Ansprüche des Verbrauchers befriedigt. Ein wichtiger Bioprozess-Output ist zum Beispiel die Wachstumstrajektorie und das Endgewicht von lebenden Organismen, z.B. Tieren. Die Wachstumstrajektorie und das Endgewicht oder allgemeiner die Biomasseproduktion kann durch einen oder mehrere Prozess-Inputparameter, wie Nahrungsmenge, -qualität und Fütterungshäufigkeit (Nahrungs-Inputparameter) und/oder Temperatur, Feuchtigkeit, Lichtintensität und Lüftung (Mikroumgebungs-Inputparameter), beeinflusst werden. Vorzugsweise wird der gewünschte Bioprozess-Output mit minimalen Kosten und somit mit einem minimalen Input-Aufwand realisiert. Von einem ökonomischen Standpunkt aus gesehen ist die Nahrungsaufnahme ein wichtiger Inputparameter, der minimiert werden soll, da er für mehr als 70% der gesamten Produktionskosten verantwortlich ist (Parkhurst, 1967; Ingelaat, 1997).
Aus US 4,517,923 ist ein System bekannt, bei dem ein Tier-Outputparameter, wie sein Gewicht, in regelmäßigen Zeitabständen gemessen und mit einem gewünschten oder vorausgesagten Wert oder einer gewünschten oder vorausge sagten Kurve verglichen wird. Die vorausgesagte Kurve beruht auf einer allgemeinen Formel oder auf empirischen Daten und kann in Abhängigkeit von der tatsächlichen Entwicklung des Tiers aktualisiert werden. Bei einer beobachteten Abweichung zwischen dem vorausgesagten Output und dem tatsächlichen Output wird ein Tier-Inputparameter, z.B. die Nahrungszufuhr, angepasst. Diese Anpassung beruht auf einem statischen Modell, das in gespeicherte Datentabellen eingearbeitet ist und eine Beziehung zwischen dem relevanten Tier-Input (z.B. Futter) und -Output (z.B. Gewichtszunahme) liefert.
Eine andere Methode, um Bioprozesse wie das oben genannte Wachstum oder andere Biomassen-Outputparameter zu steuern, besteht in der Anwendung der Theorie der modellgestützten Regelung (Golten und Verwer, 1991; Camacho und Bordons, 1999). Dies erfordert die Verfügbarkeit eines Prozessmodells, das es erlaubt, die dynamische Reaktion des Prozess-Outputparameters (der Biomasse) auf einen oder mehrere Prozess-Inputparameter (die oben genannten Nahrungs- und/oder Mikroumgebungs-Inputparameter) vorauszusagen. Für die praktische Durchführung sollte ein solches Prozessmodell kompakt und genau sein.
In der Literatur wurden viele Modelle offenbart, die die Wachstumsreaktion von Tieren im Allgemeinen (Bertalanffi, 1938; Brody, 1945; Emmans, 1981; Kirkwood und Webster, 1984; Moore, 1985; Emmans, 1994) und von Hühnern im Besonderen (Hurwitz et al., 1978; Timmons und Gates, 1988; Fattori et al., 1991; Cooper and Washburn, 1998) beschreiben. Diese Modelle sind grundsätzlich mechanistische Modelle, die die dynamische Reaktion, insbesondere den Wachstumsvorgang, auf der Basis von physiologischen und biochemischen Gesetzen beschreiben, was zu komplexen Modellen führt, die viele Gleichungen und Modellparameter beinhalten (Bruce und Clark, 1979; Oltjen et al., 1986). Solche Modelle sind ausgezeichnet, um Einblicke zu gewinnen, zur Übertragung von wissenschaftlichen Erkenntnissen und zur Simulation von Vorgängen, aber für Steuerungszwecke in der Praxis sind sie zu komplex und zu ungenau (Oltjen et al., 1986).
In der Literatur, die Wachstumsvorgänge beschreibt, findet man neben mechanistischen Modellen auch empirische (nichtlineare) Modelle. Diese Modelle sind hauptsächlich das Ergebnis einer nichtlinearen Regressionsanalyse, die auf Wachstumsdaten angewendet wird (Brody, 1945; Fitzhugh, 1976). Die Vorteile solcher Modelle bestehen darin, dass sie genau sind und keine solche komplexe Struktur haben. Die Modelle werden jedoch offline abgeschätzt (nachdem alle Daten gesammelt wurden) und berücksichtigen gewöhnlich nur den Prozess-Output (Gewicht als Funktion der Zeit). Die Nahrungsaufnahme wird nicht als Prozess-Inputparameter berücksichtigt. Dadurch sind diese bekannten Modelle für Steuerungszwecke weniger brauchbar.
Es ist ein Ziel der Erfindung, ein Verfahren zur Überwachung und Steuerung der Bioreaktion von lebenden Organismen bereitzustellen. Insbesondere ist es ein Ziel der Erfindung, weniger komplexe Modelle und Modellierungstechniken zu verwenden, um die dynamische Reaktion eines Bioprozess-Outputparameters (Biomasse) auf einen oder mehrere Prozess-Inputparameter zu modellieren.
Kurzbeschreibung der Erfindung
Die vorliegende Erfindung beschreibt ein Verfahren zur Überwachung und Steuerung (Regelung) der Bioreaktion von lebenden Organismen, das durch die Merkmale von Anspruch 1 gekennzeichnet ist.
Die Verwendung einer datengestützten Online-Modellierungstechnik auf der Basis von Echtzeitinformationen, die dynamisch an Inputparametern und Outputparametern des Bioprozesses gemessen werden, bietet den Vorteil, dass solche Modelle eine einfache Struktur haben können und dennoch überraschenderweise eine genaue Voraussage des dynamischen Verhaltens von komplexen Bioprozessen ermöglichen. Dank ihrer einfachen Struktur können diese Modelle leicht zu kommerziell annehmbaren Kosten in Prozesssteuerungseinrichtungen implementiert werden.
In dieser Beschreibung bezieht sich "Online-Modellierung" wenigstens auf Techniken, bei denen ein Modell des Verfahrens identifiziert wird, während die Input-Output-Daten des Verfahrens verfügbar werden. Synonyme dafür sind "Echtzeitidentifikation" und "rekursive Identifikation" (Ljung, 1987; System Identification: Theory for the User, S. 303–304, New Jersey: Prentice Hall). Mit diesen Modellierungstechniken werden die Modellparameter einer mathematischen Modellstruktur auf der Basis von Online-Messungen der Verfahrens-Input- und Outputparameter abgeschätzt. Diese Parameterabschätzung kann während des Prozesses rekursiv durchgeführt werden, was zu einem dynamischen Modell mit zeitvarianten Modellparametern führt, die das dynamische Verhalten der meisten Bioprozesse bewältigen können (Ljung, 1987; Goodwin and Sin, 1984).
Dieses dynamische Modell kann anschließend verwendet werden, um den Prozessoutput mehrere Zeitschritte voraus abzuschätzen und vorauszusagen. Diese Voraussagen können mit tatsächlich gemessenen Outputwerten und einem vordefinierten Referenz-Outputwert verglichen werden, und auf der Grundlage dieses Vergleichs kann eine geeignete Steuerungsstrategie bestimmt werden, um den Input des Prozesses zu steuern und so die vordefinierte Output-Trajektorie zu erreichen, vorzugsweise mit einem Minimum an Input-Aufwand.
Eine Methode, um die dynamischen Reaktionen eines Bioprozesses mit zeitvarianten Merkmalen gemäß der vorliegenden Erfindung online zu modellieren, besteht in der Anwendung der rekursiven linearen Regression. Ein solcher Ansatz bietet den Vorteil, dass er zwar auf einer einfachen Modellstruktur beruht, aber dennoch nichtlineare Merkmale von Prozessen bewältigen kann, indem die Modellparameter jedes Mal abgeschätzt werden, wenn neue Informationen über den Prozess gemessen werden. Weiterhin kann die Modellstruktur eine Menge von Prozess-Inputparametern und/oder eine Menge von Prozess-Outputparametern bewältigen.
Die rekursive Modellierungstechnik gemäß der Erfindung erfordert online gemessene Input-Output-Informationen über den Prozess. Wenn sie zum Beispiel auf Tierwachstumsvorgänge angewendet wird, müssen Online-Informationen über das Tiergewicht und die Nahrungszufuhr verfügbar gemacht werden. Aus der Praxis sind Systeme bekannt, die die erforderlichen Informationen automatisch messen können. Es ist jedoch auch bekannt, dass solche automatischen Messsysteme zuweilen fehlerhafte Messwerte ergeben können, zum Beispiel aufgrund von unregelmäßigen Besuchsmustern der Tiere, die das Messgerät besuchen. Um zu verhindern, dass solche fehlerhaften Messungen die Genauigkeit des Modells beeinflussen, ist ein Verfahren gemäß der Erfindung vorzugsweise mit Merkmalen versehen, um eintreffende Messungen zu bewerten und die Messungen in dem Falle, dass Inkonsistenzen beobachtet werden, zu verwerfen oder anzupassen. Für die Bewertung der gemessenen Output-Daten kann das Modell effektiv verwendet werden. Zum Beispiel kann der vorausgesagte durchschnittliche Output des Modells verwendet werden, um die Aussagekraft von gemessenen Outputwerten zu bewerten.
Die Erfindung bezieht sich weiterhin auf ein System, das die Inputparameter eines Bioprozesses, insbesondere einer Produktion von tierischer Biomasse, anpasst, um den Output des Bioprozesses, z.B. die Biomasseproduktion, in Richtung auf eine voreingestellte Referenz-Bioreaktion zu lenken, wobei man ein Verfahren gemäß der Erfindung verwendet. Dieses System umfasst eine Einrichtung für die Echtzeiterfassung und -speicherung von Informationen über Bioprozess-Inputparameter, zum Beispiel die Futtermenge, und -Outputparameter, zum Beispiel das Körpergewicht, eine Einrichtung zum Generieren des vorausgesagten Bioprozesses unter Verwendung dieser Informationen, eine Einrichtung zum Vergleichen und Bestimmen der Abweichung zwischen der vorausgesagten Bioreaktion und der vordefinierten Referenz-Bioreaktion sowie eine Einrichtung zum Anpassen der Bioprozess-Inputparameter im Verhältnis zur Abweichung.
Dank der Kompaktheit des Modells gemäß der Erfindung kann das Modell leicht auf einem Chip implementiert werden, und dieser Chip kann an einem individuellen Tier befestigt werden, vorzugsweise zusammen mit einem oder mehreren geeigneten Sensoren zur Messung der Tierproduktion-Input- und -Outputparameter und Kommunikationseinrichtungen zur Kommunikation mit Input-Anpassungseinrichtungen. Auf diese Weise kann der Produktionsoutput oder das Wohlergehen von einzelnen Tieren optimal geregelt werden, vorzugsweise mit einem minimalen oder effizientesten Aufwand an verfügbarem Input, wobei man eine Modellierungstechnik und eine modellgestützte prädiktive Regelungsstrategie gemäß der Erfindung verwendet.
Kurzbeschreibung der Zeichnungen und Bilder
Zur Erläuterung der Erfindung werden im Folgenden beispielhafte Ausführungsformen eines Verfahrens und Systems gemäß der Erfindung unter Bezugnahme auf die Begleitzeichnungen beschrieben.
1 stellt ein Blockdiagramm dar, das die allgemeine Struktur eines Schemas der adaptiven Regelung gemäß der Erfindung veranschaulicht;
2 zeigt ein Beispiel für den Rechteckfensteransatz;
3 zeigt ein Schema der verschiedenen Berechnungsblöcke und der Kopplung zwischen Wachstumssteuerung und -überwachung, wobei die jeweiligen Blöcke Folgendes darstellen:

Block 1: die rekursive Parameterabschätzung;
Block 2: Berechnung der Sprungantwort γ(t);
Block 3: Berechnung der Sprungantwortmatrix G;
Block 4: Berechnung von K;
Block 5: Berechnung der freien Antwort f;
Block 6: Berechnung des Regelungs-Inputparameters für t+1;
Block 7: Voraussage des Prozess-Outputparameters k Schritte voraus;
Block 8: Bestimmung der unteren Schwelle und der oberen Schwelle; und
Block 9: Abschätzung des durchschnittlichen Gewichts von Gruppentieren.

4 zeigt die Wachstumstrajektorie (mittleres Körpergewicht als Funktion der Zeit) von ad libitum gefütterten Hühnern im Vergleich zu einer Wachstumstrajektorie, die mit einem Verfahren gemäß der vorliegenden Erfindung in Richtung auf eine vordefinierte Referenz-Wachstumstrajektorie gesteuert wurde; und
5 stellt eine Tabelle von geeigneten Input-Output-Kombinationen für verschiedene Bioprozesse und verfügbare geeignete Messtechniken dar.
Ausführliche Beschreibung der Erfindung
1 zeigt schematisch ein System 1 gemäß der Erfindung zur Überwachung und Steuerung der Bioreaktion eines Bioprozesses 3 unter Verwendung einer auf Onlinedaten basierenden Modellierungstechnik und Echtzeitinformationen, die an ausgewählten Inputparametern u_i(t) und Outputparametern y(t) des Bioprozesses 3 gemessen werden.
In dieser Beschreibung sollte der Ausdruck "Bioprozess" 3 so verstanden werden, dass er die Biomasseproduktionsaktivität von lebenden Organismen, insbesondere Tieren, umfasst. Der Output y(t) des Bioprozesses 3 kann die Biomasseproduktion (z.B. Körpergewicht, Eiermasse, Milchausbeute), die Biomassezusammensetzung (z.B. Fleisch/Fett-Verhältnis, Fleischqualität, Milchqualität, Zusammensetzung des Schlachttierkörpers) und die Abfallproduktion (wie Mistproduktion, Mistzusammensetzung, Ammoniakemission) umfassen.
Zu den Inputparametern u_i(t) des Bioprozesses 3 gehören Faktoren, die den Verlauf des Bioprozesses 3 beeinflussen können und die daher geeignete Instrumente bilden, um die Outputparameter y(t) des Bioprozesses 3 in Richtung auf einen vordefinierten, gewünschten Wert zu steuern, vorzugsweise entlang einer vordefinierten Referenztrajektorie. Die Inputparameter u_i(t) können zum Beispiel Nahrungs-Inputparameter, wie Nahrungsmenge, Nahrungszusammensetzung, Fütterungsstrategie (z.B. Fütterungshäufigkeit), Wasserzufuhr, und/oder Mikroumgebungs-Inputparameter, wie Temperatur, Feuchtigkeit, Lüftung und Lichtintensität, umfassen.
Das System 1 umfasst eine Input-Steuerungseinrichtung 5 zum Messen und Anpassen von einem oder mehreren ausgewählten Inputparametern u_i(t) des Bioprozesses 3, eine Output-Messeinrichtung 7 zum Messen von einem oder mehreren ausgewählten Outputparametern y(t) des Bioprozesses 3. Das System 1 umfasst weiterhin eine Recheneinrichtung 10, die mit der Input-Steuerungseinrichtung 5 und der Output-Messeinrichtung 7 verbunden ist. Die Recheneinrichtung 10 ist mit einem Algorithmus 14 zum Online-Generieren eines dynamischen Modells 15 des Bioprozesses 3 versehen, auf der Basis von Echtzeitmessungen des oder jedes Inputparameters u_i(t) und Outputparameters y(t), die von der Input-Steuerungseinrichtung 5 und der Output-Messeinrichtung 7 empfangen werden. Ein Beispiel für einen geeigneten Online-Modellierungsalgorithmus wird im Folgenden ausführlicher diskutiert.
Die Recheneinrichtung 10 umfasst weiterhin einen Algorithmus 16 zur Berechnung einer Stelleinwirkung 18, der anzeigt, wie der oder jeder Inputparameter u_i(t) angepasst werden sollte, um den gewünschten Outputparameter y(t) zu erhalten. Die Berechnung der Stelleinwirkung 18 beruht auf vorausgesagten Prozess-Outputwerten, die durch das Modell 15 generiert werden und die mit Prozess-Output-Ist-Werten, die von der Messeinrichtung 7 gemessen werden, und einer vordefinierten gewünschten Bioreaktion 20 verglichen werden. Auf der Grundlage des Vergleichs berechnet der Regelalgorithmus 16, wie der Inputparameter u_i(t) angepasst werden sollte, um den gewünschten Outputparameter y(t) zu erhalten. Der Algorithmus bietet die Möglichkeit, die Inputparameter u_i(t) zu optimieren, so dass ein gewünschter Outputparameter y(t) mit einem minimalen Inputaufwand erreicht werden kann. Die zugrundeliegenden mathematischen Gleichungen zur Berechnung der Stelleinwirkung 18 werden im Folgenden ausführlicher diskutiert. Die berechnete Stelleinwirkung 18 wird anschließend verwendet, um die Input-Steuerungseinrichtung 5 zu betätigen, was zu einer Anpassung des Inputparameters u_i(t) führt.
Die vordefinierte Bioreaktion 20 kann ein gewünschter Endwert und/oder eine Trajektorie, die zu diesem Endwert hinführt, sein. Diese vordefinierte Bioreaktion kann während des Prozesses 3 angepasst werden. Zu diesem Zweck kann die Recheneinrichtung 10 mit geeigneten Eingabeeinrichtungen (nicht gezeigt), wie einer Tastatur, versehen sein.
Die Inputparameter u_i(t) und Outputparameter y(t) können mit geeigneten Sensoren gemessen werden. Welche Inputparameter ausgewählt werden, hängt von dem zu steuernden Outputparameter ab.
Anschließend können sich die Techniken zur Messung der Inputparameter und Outputparameter unterscheiden. 5 stellt eine Tabelle dar, die einen Überblick über geeignete Regelungs-Inputparameter u_i(t) sowie geeignete Messtechniken für verschiedene Tierarten und verschiedene zu steuernde Bioprozess-Outputparameter (z.B. Körpergewicht, Milchausbeute, Eiermasse) gibt.
Je nach dem Anwendungsgebiet können die gemessenen Input- und Outputparameter gemittelte Werte sein, die eine Durchschnittsgröße einer Gruppe von Tieren darstellen. Die Input- und Outputparameter können jedoch auch an individuellen Tieren gemessen werden, und in diesem Fall können individuelle Modelle für jedes einzelne Tier generiert werden. In diesem Fall kann jedes Tier zum Beispiel mit einem Chip und einem geeigneten Messfühler versehen sein, der zum Beispiel an einer Ohrmarke oder einer Halskrause befestigt werden kann. Der Chip kann die Algorithmen 14 und 16 enthalten, um das Modell abzuschätzen und eine geeignete Steuerungsstrategie zu generieren. Weiterhin können ein Empfänger und ein Sender zur Kommunikation mit der Input-Steuerungseinrichtung 5, zum Beispiel einer Fütterungsapparatur, vorgesehen sein.
Modellierung der Biomasseproduktion zu Produktions-Inputparametern
Im Folgenden wird die mathematische Technik zur Modellierung des Bioprozesses 3 ausführlicher beschrieben. Mit dieser Modellierungstechnik werden Modellparameter θ_i(t) einer mathematischen Modellstruktur auf der Basis von Online-Messungen von einem oder mehreren abgeschätzt Inputparametern u_i(t)) und Outputparametern y(t) des zu steuernden Bioprozesses 3 abgeschätzt. Die Abschätzung der Modellparameter θ_i(t) wird während des Prozesses rekursiv durchgeführt, was zu einem dynamischen Modell 15 mit zeitvarianten Modellpa rametern führt, das das dynamische Verhalten der Produktion von tierischer Biomasse bewältigen kann. Typischerweise umfasst ein solches Modell die folgenden Elemente:
eine mathematische Beziehung zwischen einem ausgewählten Outputparameter y(t) und Inputparameter u_i(t)) des Bioprozesses 3, die bezeichnet wird als: y(t) = θ1(t) + θ2(t)u1(t) + ... + θN+1uN (1)wobei θ₁(t), θ₂(t),..., θ_N+1(t) die zum Zeitpunkt t abgeschätzten Modellparameter sind. Man beachte, dass diese Beziehung nichtlinear sein kann und mehrere Inputparameter u_i(t)) aufweisen kann. In einer Matrizennotation kann Gleichung (1) geschrieben, werden als: y(t) = a(t)x(t) (2)wobei a(t) = [θ₁(t) θ₂(t) ... θ_N+1(t)]; x(t) = [1 u₁(t) ... u_N(t)]^T.
Dann werden die Parameter θ_i(t) von Gleichung (1) rekursiv abgeschätzt, wobei man den Ansatz des beweglichen Rechteckfensters (in 2 veranschaulicht) mit überlappenden Intervallen der Breite S verwendet. Zu jedem Zeitpunkt t werden die Parameter θ_i(t) auf der Basis der gemessenen Input- und Output-Informationen während eines Zeitfensters von S Abfragewerten gemessen. Die Abschätzung umfasst bei jeder Rekursion die folgenden Schritte (Young, 1984):
Empfangen von neuen Daten zum t-ten Zeitpunkt
Entfernen der im (t – S)-ten Intervall empfangenen Daten.
wobei
der Schätzwert des Parametervektors a(t) zum Zeitpunkt t ist, x(t) wie in Gleichung (2) definiert ist, S die Größe des Rechteckfensters ist, P eine quadratische Matrix ist, die mit
gestartet wird.
Voraussagen des Biomasse-Outputparameters werden in rekursiver Weise generiert. Zu jedem Zeitpunkt t werden die Parameter θ_i(t) von Gleichung (1) auf der Basis der in einem Zeitfenster von S Zeiteinheiten (von Zeiteinheit t-S+1 bis Zeiteinheit t) gemessenen Prozess-Output- und -Inputparameter abgeschätzt. In einem nächsten Schritt wird der Prozess-Outputparameter F Schritte voraus (Zeiteinheit t + F) vorausgesagt, indem man Gleichung (1) mit u_i(t + F) verwendet, wobei F der Voraussagehorizont genannt wird. Zur Zeiteinheit t+1 wird das Verfahren wiederholt. So werden die Modellparameter θ_i(t + 1) auf der Basis der gemessenen Information in einem Zeitfenster, das von t – S + 2 bis t + 1 reicht, abgeschätzt, und die Biomasseproduktion wird F Tage im voraus vorausgesagt (Zeiteinheit t + 1 + F), indem man den Inputparameter u_i(t + 1 + F) auf das geschätzte Modell anwendet. Auf diese Weise wird der Prozess-Outputparameter (Biomasseproduktion) zu jedem Zeitpunkt auf der Basis eines begrenzten Fensters von aktuellen und vergangenen Daten vorausgesagt.
Die optimalen Werte für die Fensterbreite S und den Voraussagehorizont F werden für jeden zu modellierenden Prozess unterschiedlich sein. Die optimalen Werte können zum Beispiel dadurch bestimmt werden, dass man die Genauigkeit der Modellvoraussagen für verschiedene Kombinationen von Fensterbreite S und Voraussagehorizont F bewertet und diejenigen Kombination auswählt, bei der der Voraussagefehler unterhalb eines angegebenen annehmbaren Wertes bleibt, zum Beispiel unter 5%.
Auf der Basis der Voraussagen der rekursiven Modellierungstechnik können Algorithmen entwickelt werden, um die Biomassentrajektorie zu steuern.
Modellgestützte Steuerung der Biomassentrajektorie
Um einen geeigneten Steuerungsalgorithmus zu erhalten, verwendet die modellgestützte prädiktive Regelung (MPC) eine Zielfunktion J. Das allgemeine Ziel besteht darin, dass der zukünftige Prozess-Outputparameter (y(t)) an dem in Betracht gezogenen Horizont F einem bestimmten Referenzsignal (r(t)) folgen sollte und gleichzeitig der dafür notwendige Steuerungsaufwand (Δu) regularisiert sein sollte. Der allgemeine Ausdruck für eine solche Zielfunktion lautet (Camacho und Bordons, 1999):
wobei N₁ der Minimalkostenhorizont ist, N₂ der Maximalkostenhorizont ist, N_u der Steuerungshorizont ist, y ^(t + F|t) der vorausgesagte Wert des Prozess-Outputparameters y zum Zeitpunkt t, F Zeitschritte voraus, ist, r(t + F) der Wert der Referenztrajektorie zum Zeitpunkt t + F ist, Δu(t + F – 1) die Änderung des Regelungs-Inputparameters zum Zeitpunkt t+F-1 ist, δ(j), λ(j) Gewichtungskoeffizienten sind.
Die folgenden Beispiele erläutern die Erfindung näher.
Beispiel 1: Steuerung der Gewichtstrajektorie von wachsenden Hühnern
5800 Hühner (Ross 308, gemischt) wurden in zwei Gruppen von jeweils 2900 Tieren aufgeteilt. Eine Gruppe wurde ad libitum gefüttert, während die Menge des Futters, das den Tieren der zweiten Gruppe zugeführt wurde, unter Verwen dung der datengestützten Online-Modellierungstechnik gemäß der vorliegenden Erfindung gesteuert wurde, um die Gewichtstrajektorie in Richtung auf die vordefinierte Referenz-Wachstumstrajektorie zu lenken. Die Gewichtstrajektorie lenken zu können, bietet die Möglichkeit, eine Trajektorie auszuwählen, die für spezielle vorbestimmte Kriterien optimale Ergebnisse bietet. Zum Beispiel könnte man eine Trajektorie auswählen, die zu einem maximalen Wachstum in einem minimalen Zeitrahmen oder mit einem minimalen Input (Futter) führt. Man könnte sich auch entscheiden, das Wohlbefinden der Tiere zu maximieren und damit die Produktionsverluste zu minimieren. Weitere Kriterien, die zu optimieren sind, können zum Beispiel ein Minimum an Mistproduktion oder ein günstiges Fleisch/Fett-Verhältnis sein. Durch Steuerung des Input kann auch eine Verschwendung von Input vermieden werden.
Das Gewicht der Tiere wurde unter Verwendung einer automatischen Wägeplattform (Fancom 747 Vogelwiegesystem) mit einem Durchmesser von 0,24 m bestimmt. Wasser und Futter wurde mit Hilfe eines automatischen Tränk-Fütter-Systems (Roxell) zugeführt. Die Futteraufnahme und das mittlere Gewicht der Tiere wurde täglich bestimmt. Berechnungen wurden auf einem Pentium II (200 MHz) durchgeführt. Das zum Modellieren und Steuern der Gewichtstrajektorie verwendete Verfahren ist im Folgenden ausführlich beschrieben, während ein Blockdiagramm des verwendeten Modells in 3 gezeigt ist.
4 zeigt die zeitliche Entwicklung des mittleren Körpergewichts der Tiere in den zwei experimentellen Gruppen im Vergleich zur vordefinierten Referenz-Gewichtstrajektorie. Das Körpergewicht der Tiere in der ad libitum gefütterten Gruppe nahm deutlich schneller zu als in der vorbestimmten Wachstumstrajektorie, während die Wachstumstrajektorie der gesteuerten Gruppe mit der Referenztrajektorie zusammenfiel.
Um die Wachstumsreaktion auf die Nahrungszufuhr zu modellieren, wurde die kumulative Nahrungsaufnahme anstelle der täglichen Nahrungsaufnahme als Inputparameter gewählt, da die Trajektorie des Gewichts als Funktion der kumulativen Nahrungsaufnahme viel stärker gedämpft (glatter) ist als die Trajektorie des Gewichts als Funktion der Nahrungsaufnahme (Fitzhugh, 1976). In der berichteten Forschung wird angenommen, dass die Beziehung zwischen kumulativer Nahrungsaufnahme und Gewicht, die nichtlinear ist (Brody, 1945; Fitzhugh, 1976; Parks, 1982), durch rekursive lineare Beziehungen zwischen beiden Variablen beschrieben werden kann. So kann zu jedem diskreten Zeitpunkt k die folgende lineare Beziehung geschrieben werden (siehe Block 1, 3): W ^(t) = θ1(t) + θ2(t)CF(t) (1)wobei W(t) das gemessene Gewicht (kg) der Tiere zum Zeitpunkt t ist, CF(t) die gemessene kumulative Nahrungsaufnahme in kg zum Zeitpunkt t ist, θ₁(t) (kg) und θ₂(t) (kg/kg) die zum Zeitpunkt t (Tage) geschätzten Modellparameter sind. Der Parameter θ₂(t) ist insbesondere die Fütterungseffizienz zum Zeitpunkt t (definiert als die Änderung des Gewichts der Vögel pro Änderung der Nahrungsaufnahme). Der Parameter θ₁(t) zu Beginn des Experiments, am Tag 1, ist gleich dem Körpergewicht des einen Tag alten Kükens. In der Matrixnotation kann dies geschrieben werden als: W ^(t) = a(t)x(t) (2)wobei a(t) = [θ₁(t) θ₂(t)]; x(t) = [1 CF(t)]^T, wobei der hochgestellte Index T die Transposition einer Matrix bedeutet.
Bei jeder Rekursion unter Verwendung des Ansatzes mit einem beweglichen Rechteckfenster, wie er oben beschrieben ist, besteht die Abschätzung aus den folgenden Schritten:
Empfangen von neuen Daten zum t-ten Zeitpunkt
Entfernen der im (t – S)-ten Intervall empfangenen Daten.
wobei
der Schätzwert des Parametervektors a(t) zum Zeitpunkt t ist und in dem gegebenen Beispiel
= [40 0,8] bei t = 0 ist, x(t) wie in Gleichung (2) definiert ist, P eine quadratische Matrix ist, die mit [10⁴ 0;0 10⁴] gestartet wird, und S die Größe des Rechteckfensters ist.
Zu jedem Zeitpunkt (Tag) t werden die Parameter θ1(k) und θ2(k) von Gleichung (1) auf der Basis der gemessenen Werte von Gewicht und kumulativer Nahrungsaufnahme während eines Zeitfensters von S = 5 Tagen (von Tag t – S + 1 bis Tag t) abgeschätzt. In einem nächsten Schritt wird das Gewicht F = 4 Schritte voraus (Tag t + F) vorausgesagt, indem man Gleichung (1) mit CF(t + F) verwendet. Am Tag t + 1 wird das Verfahren wiederholt.
Die Fensterbreite S = 5 und der Voraussagehorizont F = 4 wurden bestimmt, indem man den rekursiven Schätzungsalgorithmus mit verschiedenen Fenstergrößen, die im Bereich von drei bis sieben Tagen lagen, und verschiedenen Voraussagehorizonten, die im Bereich von einem bis sieben Tagen lagen, anwendete. Als Ergebnis wurden für jeden Datensatz 35 (5 × 7) Kombinationen von Fenstergröße und Voraussagehorizont verwendet, um die Wachstumsantwort zu modellieren. Es konnte gezeigt werden, dass der Voraussagefehler unterhalb von 5% blieb, wenn eine Fenstergröße 5 von 5 Tagen verwendet wurde und der Voraussagehorizont 4 Tage nicht überschritt.
Auf der Grundlage der oben genannten Voraussagen wurde ein Kontrollalgorithmus entwickelt, um die Wachstumstrajektorie zu steuern und den zeitlichen Verlauf des Gewichts der Tiere zu überwachen, wobei man die bereits erwähnte Zielfunktion verwendete:
wobei N₁ der Minimalkostenhorizont ist, N₂ der Maximalkostenhorizont ist, N_u der Steuerungshorizont ist, y ^(t + F|t) der vorausgesagte Wert des Prozess-Outputparameters y zum Zeitpunkt t, F Zeitschritte voraus, ist, r(t + F) der Wert der Referenztrajektorie zum Zeitpunkt t + F ist, Δu(t + F – 1) die Änderung des Regelungs-Inputparameters zum Zeitpunkt t + F – 1 ist, δ(j), λ(j) Gewichtungskoeffizienten sind.
Für das vorliegende Beispiel kann die Zielfunktion spezieller geschrieben werden als:
wobei W ^(t + F|t) das vorausgesagte Gewicht der Tiere der Gruppe ist und CF die kumulative Nahrungszufuhr ist.
Es ist typisch für die MPC (modellgestützte prädiktive Regelung), die Prozessantwort in eine freie und eine erzwungene Antwort zu separieren. Die freie Antwort entspricht der Entwicklung des Prozesses aufgrund seines gegenwärtigen Zustands, während die erzwungene Antwort auf die zukünftigen Steuerungszüge zurückzuführen ist. Für den betrachteten Prozess kann das Gewicht 1 Schritt im voraus vorausgesagt werden, indem man die folgende Gleichung verwendet: W ^(t + 1) = W(t)(1 – ξ) + γ(t)ΔCF(t + 1) (9)wobei W(t)(1 – ξ) die freie Antwort ist und γ(t)ΔCF(t + 1) die erzwungene Antwort ist. Auf der Grundlage von Experimenten wurde der Wert des Parameters ξ abgeschätzt. Der Wert von ξ liegt im Bereich von 0,04 bis 0,1. Der Parameter y(t) kann als Funktion von θ₂(t) ausgedrückt werden als (siehe Block 2, 3):
Für Voraussagen von bis zu 4 Tagen (F = 4) kann das Gewicht wie folgt vorausgesagt werden:
In Matrizennotation kann dies geschrieben werden als:
oder kompakter als W ^ = f + GΔCF (13)wobei f die freie Antwort ist (Block 5, 3):
und G die Sprungantwortmatrix ist (Block 3, 3):
Indem man Gleichung (13) in die Zielfunktion J (Gleichung (8)) einsetzt und den Gradienten von J gleich null setzt (unter der Annahme, dass es keine Randbedingung für das Steuerungssignal gibt), führt dies zu: CF = (GTG + λI)–1 GT (r – f) (16)
Die prädiktive Regelung verwendet das Prinzip des zurückweichenden Horizonts. Dies bedeutet, dass nach der Berechnung der optimalen Steuerungssequenz nur die erste Steuerung ausgeführt wird, anschließend wird der Horizont um einen Abfragewert verschoben, und es wird mit neuen Informationen aus den Messungen erneut mit der Optimierung begonnen. So ist das tatsächliche Steuerungssignal, das zum Prozess geschickt wird, das erste Element des Vektors CF und ist gegeben durch (Block 6, 3): ΔCF(t + 1) = K(r – f) (17)wobei ΔCF(t + 1) das Futter ist, das den Tieren zum Zeitpunkt t zugeführt werden muss und das bis zum Zeitpunkt t+1 zur Verfügung steht; K ist die erste Zeile der Matrix (G^TG + λI)^–1G^T (Block 4, 3).
Aus der Forschung ist bekannt, dass das automatische Wiegen von Hühnern andere Ergebnisse liefern kann, als wenn manuell gewogen wird. Dieser Unterschied tritt insbesondere gegen Ende des Produktionszeitraums auf. Der Unterschied wird durch die Annahme erklärt (Blokhuis et al., 1988), dass das Wägesystem am Ende des Produktionszeitraums von schwereren Vögeln weniger oft besucht wird. Dies wird durch Erfahrungen von Klein Wolterink et al. (1989) bestätigt. Im vorliegenden Beispiel wurde dieses Problem in folgender Weise gelöst.
Die online abgeschätzte Beziehung zwischen der kumulativen Nahrungszufuhr CF und dem Gewicht W der Tiere wurde als Grundlage verwendet, um die Schätzung des Durchschnittsgewichts der Tiere der Gruppe zu optimieren. Zu jedem Zeitpunkt t kann das Gewicht einen Schritt im voraus vorausgesagt werden, indem man die folgende Gleichung verwendet (Block 7, 3): W ^(t + 1) = (t) + θ2(t)CF(t + 1) (18) wobei θ1(t) und θ2(t) die rekursiv abgeschätzten Modellparameter sind, wie sie zuvor beschrieben wurden (Gleichung 3–6), und CF(t + 1) die kumulative Nahrungszufuhr CF(t) plus der berechnete Steuerungsinput ΔCF(t + 1) ist.
Auf der Grundlage des vorausgesagten Gewichts W ^(t + 1) können ein unterer und ein oberer Schwellenwert LT(t) bzw. UT(t) berechnet werden (Block 8, 3):
wobei die Werte für ψL im Bereich von 0,3 bis 0,15 liegen und die Werte für ψU im Bereich von 0,3 bis 0,4 liegen. Diese Werte wurden auf der Grundlage von experimentellen Daten bestimmt.
Diese Schwellenwerte werden verwendet, um die online gemessenen Gewichtswerte w zu akzeptieren (oder zu verwerfen). Da die Verteilung des akzeptierten Werts einen systematischen Fehler aufweist (insbesondere während der zweiten Hälfte des Produktionszeitraums), beruht die Schätzung des Durchschnittsgewichts der Gruppe nicht auf dem einfachen Durchschnitt, sondern auf einem korrigierten Durchschnitt. Um den korrigierten Durchschnitt zu berechnen, werden die akzeptierten gemessenen Gewichtswerte w in n gleiche Klassen eingeteilt.
Für cl = 1→n gilt: w = w_cl ↔ w ∊ [LT + (cl – 1)·CW, LT + cl·CW]
Die Breite dieser Klassen CW wird berechnet als (Block 9, 3):
Aufgrund der Tatsache, dass die leichteren Tiere die Wägeplattform während der zweiten Hälfte des Produktionszeitraums häufiger besuchen, ist die Verteilung nicht keine Normalverteilung (statistisch gesehen). Um die Verteilung zu norma lisieren, werden die Gewichte in jeder Klasse gemittelt und mit einem Gewichtungsfaktor wf multipliziert. Wenn n = 10, sind die verwendeten Gewichtungsfaktoren

wf1 = wf10 = 0.006
wf2 = wf9 = 0.026
wf3 = wf8 = 0.077
wf4 = wf7 = 0.165
wf5 = wf6 = 0.226

Das Durchschnittsgewicht der Tiere der Gruppe wird berechnet, indem man die folgenden Gleichung verwendet:
wobei w_cl das Durchschnittsgewicht der Klasse cl ist und wf_cl der auf die Klasse cl angewendete Gewichtungsfaktor wf ist.
Im Gegensatz zu den verfügbaren Algorithmen für die Abschätzung der Gewichte der Tiere mit einer automatischen Wägeplattform benötigt das hier beschriebene Verfahren kein apriorisches Wissen, sondern es beruht nur auf gemessenen Informationen aus dem Prozess.
In 3 ist ein Schema der zuvor beschriebenen Berechnungen und der Kopplung zwischen der Steuerung und der Überwachung des Wachstums gezeigt.
Beispiel 2: Steuerung des Wachstums von Schweinen
Das Verfahren, das die datengestützte Online-Modellierungstechnik verwendet, kann auch angewendet werden, um die Gewichtstrajektorie von wachsenden Schweinen zu überwachen und zu steuern. Die zu verwendenden Produktions-Inputparameter werden vorzugsweise aus der Gruppe ausgewählt, die Nahrungszufuhr, Nahrungszusammensetzung und Temperatur umfasst. Der Produktions-Outputparameter kann entweder das durchschnittliche Gewicht der Schweine oder das individuelle Gewicht der Schweine sein. Es gibt mehrere Verfahren, um das individuelle Gewicht von Schweinen in einem Stall genau zu messen, und in einer bevorzugten Ausführungsform erfolgt dies unter Verwendung von Videobildaufzeichnung.
Beispiel 3: Steuerung des Wachstums von Fischen
Das Verfahren, das die datengestützte Online-Modellierungstechnik verwendet, kann auch angewendet werden, um die Gewichtstrajektorie von wachsenden Fischen zu überwachen und zu steuern. Der oder die zu verwendenden Produktions-Inputparameter werden vorzugsweise aus der Gruppe ausgewählt, die Nahrungszufuhr, Fütterungsfrequenz und Wassertemperatur umfasst. Der bevorzugte Produktions-Outputparameter ist das durchschnittliche Körpergewicht der Fische. Es gibt mehrere Verfahren, um das durchschnittliche Gewicht von in einem Becken schwimmenden Fischen genau zu messen, und in einer bevorzugten Ausführungsform erfolgt dies unter Verwendung von Videobildaufzeichnung.
Beispiel 4: Steuerung des Wachstums von Rindern
Das Verfahren, das die datengestützte Online-Modellierungstechnik verwendet, kann auch angewendet werden, um die Gewichtstrajektorie von wachsenden Rindern zu überwachen und zu steuern. Die zu verwendenden Produktions-Inputparameter werden vorzugsweise aus der Gruppe ausgewählt, die Nahrungszufuhr und Nahrungszusammensetzung umfasst, und in einer besonders bevorzugten Ausführungsform sind die verwendeten Produktions-Inputparameter die Zufuhr von Konzentrat und Ballaststoffen. Der bevorzugte Produktions-Outputparameter ist das individuelle Körpergewicht der Rinder. Es gibt mehrere Verfahren, um das individuelle Gewicht von Rindern genau zu messen, und in einer bevorzugten Ausführungsform erfolgt dies unter Verwendung einer Wägeplattform.
Beispiel 5: Steuerung der Milchproduktion von Milchkühen
Das Verfahren, das die datengestützte Online-Modellierungstechnik verwendet, kann auch angewendet werden, um die Milchproduktion von Milchkühen zu überwachen und zu steuern. Die zu verwendenden Produktions-Inputparameter werden vorzugsweise aus der Gruppe ausgewählt, die Nahrungszufuhr und Nahrungszusammensetzung umfasst, und in einer besonders bevorzugten Ausführungsform sind die verwendeten Produktions-Inputparameter die Zufuhr von Konzentrat und Ballaststoffen. Der bevorzugte Produktions-Outputparameter ist die kumulative Milchproduktion der Rinder, Es gibt mehrere Verfahren, um die Milchproduktion genau zu messen, und in einer bevorzugten Ausführungsform erfolgt dies unter Verwendung eines elektronischen Milchausbeutesensors, z.B. DeLaval-Milchmengenmesser MM25.
Beispiel 6: Steuerung der Eierproduktion von Legehennen
Das Verfahren, das die datengestützte Online-Modellierungstechnik verwendet, kann auch angewendet werden, um die Eierproduktion von Legehennen zu überwachen und zu steuern. Die zu verwendenden Produktions-Inputparameter werden vorzugsweise aus der Gruppe ausgewählt, die Nahrungszufuhr, Nahrungszusammensetzung, Temperatur und Lichtintensität umfasst. Der bevorzugte Produktions-Outputparameter ist die kumulative Eiermasseproduktion. Es gibt mehrere Verfahren, um die Eiermasseproduktion genau zu messen, und in einer bevorzugten Ausführungsform erfolgt dies unter Verwendung eines elektronischen Eierzählers, z.B. Fancom IR.10 Eierzähler.
Beispiel 7: Steuerung von Protein- und Fettwachstum
Durch Anwendung der datengestützten Modellierungstechnik ist es auch möglich, das Protein- und Fettwachstum von Tieren (z.B. Hühnern, Schweinen) zu über wachen und zu steuern. Auf der Grundlage der gemessenen Daten zum Tiergewicht, der Aufnahme von Futter (Energie) und des geschätzten Wärmeverlusts kann berechnet werden, wie viel Protein und Fett ein Tier pro Zeiteinheit zulegt. Die betrachteten Prozess-Outputparameter sind Protein- und Fettzunahme pro Zeiteinheit, und die zu verwendenden Prozess-Inputparameter sind die Futtermenge und Futterzusammensetzung (Qualität). Für die Messung der Nahrungszufuhr und des Tiergewichts stehen kommerzielle Systeme zur Verfügung. Der Wärmeverlust von Tieren kann auf der Grundlage einer Messung der Lufttemperatur, Luftgeschwindigkeit, Luftfeuchtigkeit, Strahlungstemperatur der Umgebung und Oberflächentemperatur des Tiers abgeschätzt werden.
Die Erfindung ist keineswegs auf die in der Beschreibung und den Zeichnungen angegebenen Beispiele beschränkt. Viele Variationen sind möglich und sollen in den Rahmen der Erfindung fallen, wie er in den beigefügten Ansprüchen definiert ist.
Literatur

Anonymous. 1982. Live bird weighing simplified. Poultry International, 6:44–50.
Ästrosm K.J. 1985. Process control-Past, present, and future. IEEE Control Systems Magazine 5(3): 3–10.
Bakker H.K., Struikenkamp R.S., and De Vries G.H. 1980. Dynamics of ventilation, heart rate and gas exchange: sinusoidal and impulse work loads in man. Journal of Applied Physiology: Respirat. Environ. Exercise Physiol. 48(2): 289–301.
Berckmans D., and Goedseels V. 1986. Development of new control techniques for heating and ventilation of livestock buildings. Journal of Agricultural Engineering Research 33: 1–12.
Blokhuis H.J., Van Der Haar J.W. & Fuchs J.M.M. 1988. Do weighing figures represent the flock average? Poultry International 4(5): 17–19.
Brody S. 1945. Bioeriergetics and growth. New York: Reinhold Publ. Co.
Bruce J.M., and Clark J.J. 1979. Models of heat production and critical temperature for growing pigs. Animal Production 28: 353–69.
Camacho E.F., and Bordons C. 1999. Model predictive control. Berlin: Springer-Verlag.
Cooper M.A., and Washburn K.W. 1998. The relationship of body temperature to weight gain, feed consumption, and feed utilization in broilers under heat stress. Poultry Science 77: 237–42.
Emmans G. C. 1981. A model of the growth and feed intake of ad libitum fed animals, particularly poultry. In Computers in Animal Production. Occasional publication No. 5. Eds. Hillyer G.M., Whittemore C.T., and Gunn R.G., 103–10. Edinburgh: The Edinburgh School of Agriculture.
Emmans, G. C. 1994. Effective energy: A concept of energy utilization applied across species. British Journal of Nutrition 71: 801–21.
Fattori T.R., Hildebrand P.E., and Wilson H.R. 1991. Response of broiler breeder females to feed restriction below recommended levels. 2.Economic Analysis. Poultry Science 70(3): 489–98.
Feighner S.D., Godowsky E.F. & Miller B.M. 1986. Portable microcomputerbased weighing systems: Applications in poultry science. Poultry Science 65: 868–873.
Fitzhugh H.A. 1976. Analysis of growth curves and strategies for altering their shape. Journal of Animal Science 42(4): 1036–51.
Golten J., and Verwer A. 1991. Control system design and simulation. London: McGraw-Hill.
Goodwin G.C., and Sin K.S. 1984. Adaptive filtering, prediction and control. New York: Prentice-Hall.
Hughes B.O. & Elson H.A. 1977. The use of perches by broilers in floor pens. British Poultry Science 18: 715–722.
Hurwitz S., Sklan D., and Bartov I. 1978. New formal approach to the determination of energy and amino acid requirements of chicks. Poultry Science 57: 197–205.
Ingelaat F. 1997. Nieuwe kostprijsschema's voor de kuikenvleessector. Pluimueehouderij 27: 9–11.
Kirkwood J.K., and Webster J.F. 1984. Energy-budget strategies for growth in mammals and birds. Animal Production 38: 147–55.
Klein Wolterink H. & Meijerhof R. 1989. Dierweegsysteem geschikt voor opfok. Pluimueehouderij 19:16–17.
Ljung L. 1987. System identification. Theory for the user. New Jersey: Prentice Hall.
Moore A.J. 1985. A mathematical equation for animal growth from embryo to adult. Animal Production 40: 441–53.
Newberry R.C., Hunt J.R. & Gardiner E.E. 1985. Behaviour of roaster chickens towards an automatic weighing perch. British Poultry Science 26: 229–237.
Oltjen J.W., Bywater A.C., and Baldwin R.L. 1986. Evaluation of a model of beef cattle growth and composition. Journal of Animal Science 62: 98–108.
Oltjen J.W., and Owens F.N. 1987. Beef cattle feed intake and growth: empirical bayes derivation of the kalman filter applied to a nonlinear dynamic model. Journal of Animal Science 65: 1362–70.
Parkhurst R.T. 1967. Commercial broiler production. Washington: Government Printing Office.
Parks J. 1982. A theory of feeding and growth in animals. Berlin: Springer-Verlag.
Timmons M.B., and Gates R.S. 1988. Energetic model of production characteristics for tom turkeys. Transactions of the ASAE 31(5): 1544–51.
Xin H., DeShazer J.A., Feddes J.J.R., and Rajurkax K.P. 1992. Data dependent systems analysis of stochastic swine energetic responses. Journal of Thermal Biology 17(415): 225–34.
Young P.C. 1984. Recursive estimation and time-series analysis. Berlin: Springer-Verlag.

Claims

Verfahren zur Überwachung und Steuerung der biologischen Reaktion von lebenden Organismen auf der Grundlage eines Modells- der biologischen Reaktion der lebenden Organismen und gemessener Echtzeitinformationen über Eingaben (u_i(t)) und Ausgaben (y(t)) des Bioprozesses (3), dadurch gekennzeichnet, dass das Modell (15) basierend auf den Echtzeitinformationen über Bioprozesseingaben und -ausgaben unter Verwendung eines datenbasierten Online-Modellierungsverfahrens online generiert wird.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die tierische Biomasseproduktion überwacht und/oder gesteuert wird.
Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass die Echtzeitinformationen über die Bioprozesseingaben durch Messen einer oder einer Auswahl aus der folgenden Gruppe von Tierproduktionseingaben: Ernährungseingaben wie etwa Futtermenge, Futterzusammensetzung, Fütterungsstrategie und/oder Mikro-Umgebungseingaben wie etwa Temperatur, Feuchtigkeit, Lüftung, Lichtintensität gesammelt werden.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Echtzeitinformationen über die Ausgaben (y(t)) des Bioprozesses (3) durch Messen einer oder einer Auswahl aus der folgenden Gruppe von Tierproduktionsausgaben: Biomasseproduktion wie etwa Tiergewicht, Eiermasse, Milchertrag und/oder Biomassezusammensetzung wie etwa Fleisch-/Fettverhältnis, Fleischqualität, Milchqualität, Schlacht körperzusammensetzung und/oder Abfallproduktion wie etwa Dungproduktion, Dungzusammensetzung, Ammoniakemission gesammelt werden.
Verfahren nach einem der Ansprüche 2 bis 4, dadurch gekennzeichnet, dass die Steuerung einer Körpergewichtstrajektorie von Tieren unter Verwendung von Echtzeitinformationen über Tierproduktionseingaben und -ausgaben überwacht und/oder gesteuert wird.
Verfahren nach einem der Ansprüche 2 bis 5, dadurch gekennzeichnet, dass die Echtzeitinformationen über Tierproduktionseingaben durch Messen von Daten über die Futteraufnahme gewonnen werden.
Verfahren nach einem der Ansprüche 2 bis 6, dadurch gekennzeichnet, dass die Echtzeitinformationen über Tierproduktionsausgaben durch Messen des Tiergewichts gewonnen werden.
Verfahren nach einem der Ansprüche 2 bis 7, das darüber hinaus den Schritt des Regulierens einer oder mehrerer Tierproduktionseingaben umfasst, um eine oder mehrere überwachte Tierproduktionsausgaben in Richtung auf eine gewünschte Ausgabetrajektorie zu lenken.
Verfahren nach einem der Ansprüche 2 bis 8, dadurch gekennzeichnet, dass das online generierte Modell (15) zum Vorhersagen der zukünftigen Tierproduktionsausgaben eines einzelnen Tieres oder einer Gruppe von Tieren verwendet wird.
Verfahren nach einem der Ansprüche 2 bis 9, dadurch gekennzeichnet, dass das durchschnittliche Körpergewicht einer Gruppe von Tieren bestimmt wird.
Verfahren nach Anspruch 9 oder 10, dadurch gekennzeichnet, dass die Tiere Vögel, Fische oder Säugetiere sind.
Verfahren nach Anspruch 11, dadurch gekennzeichnet, dass ein automatisches Wägesystem zur Online-Messung von Tierproduktionsausgaben, insbesondere des Körpergewichts, verwendet wird.
Verfahren nach Anspruch 12, dadurch gekennzeichnet, dass ein systematischer Fehler infolge des häufigeren Besuchs des Wägesystems durch leichtere Tiere als durch schwerere Tiere durch Vergleichen des gemessenen Durchschnittsgewichts mit dem vorhergesagten Durchschnittsgewicht korrigiert wird.
Verfahren nach einem der Ansprüche 11 bis 13, dadurch gekennzeichnet, dass Videoabbildungsverfahren zur Online-Messung der Tierproduktionsausgaben, insbesondere des Körpergewichts, verwendet werden.
Verfahren nach einem der Ansprüche 2 bis 14, dadurch gekennzeichnet, dass das Online-Modellierungsverfahren zur Steuerung der biologischen Reaktion von Tieren auf Schätzfunktionen basiert.
Verfahren zur Steuerung des tierischen Wohlergehens durch die Schritte des: Vorhersagens einer zukünftigen Differenz zwischen einem gewünschten Tierzustand (20) und einem vorhergesagten Tierzustand unter Verwendung eines online geschätzten Modells (15); Abänderns von Eingabeparametern (u_i(t)) auf das Tier basierend auf dem Modell (15) zur Minimierung der zukünftigen Differenz.
Verwendung eines Verfahrens nach einem der Ansprüche 1 bis 16 bei der Überwachung und/oder Lenkung der Tierproduktion oder des tierischen Wohlergehens in Richtung auf einen gewünschten Ausgabewert oder eine gewünschte Ausgabetrajektorie (20).
System zur Überwachung und Steuerung der biologischen Reaktion von lebenden Organismen nach einem der Ansprüche 1 bis 15, das Mittel (7) zum Sammeln und Speichern von Echtzeitinformationen über Eingaben (u_i(t)) und Ausgaben (y(t)) des Bioprozesses (3), Mittel (10,14) zum Online-Modellieren und Generieren eines vorhergesagten Bioprozesses (3) auf der Grundlage der Informationen, Mittel (10, 16) zum Vergleichen und Bestimmen der Varianz zwischen der vorhergesagten biologischen Reaktion und der vorgegebenen biologischen Bezugsreaktion (20) und Mittel (5, 18) zum Regulieren der Bioprozesseingaben (u_i(t)) im Verhältnis zur Varianz umfasst.
System nach Anspruch 18 zum Steuern des tierischen Wohlergehens nach Anspruch 16.
System nach Anspruch 18 zum Regulieren von Tierproduktionseingaben (u_i(t)), um eine Gewichtstrajektorie von Tieren in Richtung auf eine vorgegebene Bezugsgewichtstrajektorie (20) zu lenken.
System nach einem der Ansprüche 18 bis 20, dadurch gekennzeichnet, dass die Mittel (10, 14) zum Online-Modellieren und vorzugsweise Mittel (10, 16) zum Generieren eines Steuerungsvorganges (18) basierend auf dem Online-Modell (15) auf einem Chip zur Anbringung an einem Tier zusammen mit einem oder mehreren Messmitteln (7) zum Messen der Tierproduktionseingaben (u_i(t)) und -ausgaben (y(t)) und Kommunikationsmitteln zum Übermitteln des Online-Modells (15) und/oder des generierten Steuerungsvorganges (18) von dem Chip zu den Mitteln (5), mit denen die Tierproduktionseingaben reguliert werden können, bereitgestellt werden.
Chip, der Mittel (10, 14) zum Generieren eines Online-Modells (15) eines Bioprozesses (3) auf der Grundlage von Echtzeitinformationen über Eingaben (u_i(t)) und Ausgaben (y(t)) des Bioprozesses (3) und vorzugsweise Mittel (10, 16) zum Generieren eines Steuerungsvorganges (18) basierend auf dem Online-Modell (15) umfasst.