Sredi sedemdesetih let prejšnjega stoletja je povprečna ameriška mlečna kmetija imela približno 25 krav. Danes je v mnogih operacijah več kot 3.000 - število, ki je bilo pred 25 leti skoraj neznano.
Učinkovito upravljanje velikih čred bi bilo težko, morda celo nemogoče, brez najnovejših napredkov na področju računalništva in avtomatizacije. Večina mlekarn ima zdaj molzne salone in pripadajoče prosto stanovanje, ki podvoji ali potroji dvakrat na uro. Mlečne enote se samodejno odklopijo, da zmanjšajo zdravstvene težave vimena in izboljšajo kakovost mleka, medtem ko transponderji z ID-ji krave kmetom omogočajo samodejno beleženje podatkov o proizvodnji.
Najnovejši velik tehnološki napredek, ki je vplival na ameriško mlečno industrijo, je razvoj sistemov za samodejno molžo - ali "robotskih" molznic.
V Dalogorskem centru Kellogg na University of Connecticut uporabljamo robotske molznike in druge senzorje za spremljanje 100 krav in njihovega fizičnega okolja. S tem delom, ki smo ga začeli spomladi, upamo, da bomo v realnem času spremljali vedenje in zdravje posamezne krave, da bi izboljšali proizvodno učinkovitost in dobro počutje živali.
Veliki podatki in krave
Robotski mlekarji lahko spravijo mleko brez človekove udeležbe. V resnici se krave odločijo, kdaj jih bodo molžile, vstopijo v stroj brez neposrednega človekovega nadzora. Robotski sistem samodejno prepozna kravo in nanese čistilni pršilo z zobmi, preden robotska roka pritrdi skodelico zob za molžo.
To se zelo razlikuje od molbe v pareh, kjer se vodje odločajo, kdaj bodo krave molznile, običajno trikrat na dan. Vsaka robotska molzna enota služi od 50 do 55 krav.
Glede na visoke cene zgodnjih različic robotskih dojil in velike velikosti ameriških čred, so ameriške mlekarne že pred letom 2010 zanimale minimalno zanimanje za robotske molznike. Vendar se je število avtomatskih sistemov za molžo v državi v letu 2013 povečalo na več kot 2500 enot, predvsem zaradi izboljšav oblikovanja v novejših modelih. Po vsem svetu trenutno deluje več kot 35.000 sistemov za avtomatsko molžo.
Red krav, ki jih molzijo (Toa55 / shutterstock) Ti novejši stroji so ne le izboljšani pri učinkovitem obiranju mleka, ampak imajo tudi večjo količino informacij o proizvodnji, sestavi mleka in obnašanju krav. To proizvajalcem omogoča sprejemanje bolj informiranih odločitev o upravljanju.
Z robotskimi molžnimi sistemi krave vodijo šov. Odločajo se, kdaj jesti, riniti, počivati ali jih moliti. Prav tako morajo na dan porabiti manj kot eno uro; pred robotskimi mlekarji je molza pogosto trajala tri do pet ur na dan.
Želeli smo vedeti: Kaj počnejo preostanek dneva? Kako to vedenje vpliva na proizvodnjo ali služi kot znak zdravstvenega stanja? Dojilne enote same po sebi ne morejo zbrati takšnih informacij, ki bi bile zelo koristne pri zgodnjem ugotavljanju, ali se pri določeni kravi zdravstveni problem pojavi.
Naš "krava-CPS" - kibernetski fizični sistem, ki vključuje krave, robotske molznike, video kamere in druge senzorje - bo ves čas spremljal podatke o naših kravah. To nam bo med drugim povedalo, kam gredo krave, ko jih ne molzijo; kadar se odločijo jesti, počivati ali opravljati druge dejavnosti; in sestavo njihovega mleka. Senzorji, nameščeni v telesu, nam bodo celo sporočili pH v enem od njihovih želodcev, kar bi lahko bil ključni pokazatelj morebitnih prebavnih težav.
Optimizacija mleka
Upamo, da nam bodo vsi ti podatki omogočili pravočasno odločanje na ravni posamezne krave, kar v velikih čredah ni enostavno. To "natančno mleko" nam lahko pomaga razumeti, kako dejavnosti posamezne krave - jesti, stati, počivati, molže - vplivajo na njeno proizvodnjo mleka, kakovost in zdravje mleka.
Podatke načrtujemo analizirati s pomočjo strojnega učenja, vrste umetne inteligence, ki lahko najde vzorce v velikih količinah informacij. Računalnik bo primerjal podatke z modelom, kako naj mlekarna deluje v idealnih pogojih. Naš model zajema kritične lastnosti delovanja - kakovost in produktivnost mleka - kot tudi ustrezne omejitve, na primer zdravje posameznika in reproduktivni status.
Ko deluje mlekarna, nam bodo podatki v realnem času omogočili oceno, kako daleč je naša realna kmetija od idealne. Te podatke lahko nato kombiniramo z algoritmom matematične optimizacije, da določimo, kako natančno naj spremenimo ali prilagodimo postopek. Na primer, algoritem lahko predlaga prilagajanje vrste kapljic zrnja, prehranske vsebnosti krme ali časa, ki ga vsaka krava porabi za krmljenje.
Upamo, da bo naše delo kmetom molznicam v ZDA omogočilo boljše upravljanje posameznih krav v skupinskem okolju - ne le za izboljšanje proizvodnje mleka, ampak tudi za krepitev zdravja krav.
Ta članek je bil prvotno objavljen na pogovoru.
Matthew Stuber, docent za kemijsko in biomolekularno tehniko, Univerza v Connecticutu
Gary Kazmer, izredni profesor za laktacijsko fiziologijo, Univerza v Connecticutu
Shalabh Gupta, docentka za tehniko, Univerza v Connecticutu
Steven Zinn, profesor za znanost o živalih, Univerza v Connecticutu
