基于电机电信号与小波Transformer的智能饲喂器余料重量高精度预测方法

《Smart Agricultural Technology》：A high-precision measuring phenotypic characteristics method for juvenile fish

本文针对智能饲喂器余料监测依赖人工、易引发断料等问题，提出了一种基于电压电流信号的两阶段余料重量预测模型（WRN-WTF）。该模型创新性地结合小波变换与深度学习技术，通过WaveResNet预测饲料粉率，再通过WaveTransformer估计余料重量，并引入不确定性量化模块。实验表明，WaveTransformer在MAE、RMSE和R2上均优于传统模型（如RNN、LSTM、GRU等），实现了0.9574的R2和2.3719的RMSE。该研究为智能饲喂系统提供了自动化、高精度的余料监控方案，对保障生猪精准饲喂连续性具有重要意义。

　　

在现代化生猪养殖场中，智能饲喂器是实现精准饲喂的核心设备。然而，这类设备通常未配备大容量料斗，在长时间运行过程中需要及时补料。目前，余料监测主要依赖人工巡检，这在大规模猪场运营中——尤其是夜间人员不足时——容易导致断料。断料不仅会降低猪只采食量，还会引发争抢行为，增加个体生长差异，最终影响精准饲喂效果。因此，开发一种有效的余料重量监测方法，对于保障智能饲喂器的连续运行至关重要。

以往的研究大多关注如何改善智能饲喂器的排料性能，而对长时间运行中的余料重量监测关注有限。值得注意的是，智能饲喂器的饲料排出过程主要依赖于电机转动。电机及其电信号长期以来是工业应用中的重要研究对象，被广泛用于状态监测、故障诊断、剩余寿命估计和温度预测等领域。在现代农业中，电信号分析也日益重要。例如，通过电信号可以实时识别联合收割机脱粒混合物的厚度和负载状态，根据传感器电压信号推断种子数量，以及通过植物电信号动态评估植物生长。这类研究成功地将复杂的电信号转化为关键的农业指标，为基于电机电压电流信号预测余料重量提供了重要启示。

智能饲喂器属于小功率电器设备，其电流电压信号幅值低，负载引起的波动微弱且存在复杂的非线性耦合，增加了系统建模的难度。近年来，傅里叶变换、小波变换和混沌理论等技术被广泛应用于分析微弱复杂的电信号。这些方法能够在多个领域实现高效的特征提取和状态监测。同时，深度学习技术迅速发展，产生了具有强大特征提取能力的模型。例如，长短期记忆网络（LSTM）和Transformer能够有效捕捉长期依赖关系，显著提高了识别非线性和复杂系统的准确性。这些技术的结合为分析复杂电信号提供了强大工具。

因此，本研究提出了一种基于小波变换和深度学习技术相结合的两阶段预测框架，旨在利用智能饲喂器电机的电压和电流信号实现余料重量的准确预测。该研究的主要贡献包括：首先，研究了智能饲喂器在不同饲料粉率和重量范围下的电信号规律，并创新性地提出了基于电机电信号的余料重量预测方法；其次，开发了一个两阶段余料重量预测模型（WRN-WTF），第一阶段使用改进的残差网络WaveResNet预测饲料粉率，第二阶段使用融合Transformer架构和小波特征信息的WaveTransformer模型预测余料重量，同时还对模型的输入变量进行了重要性排序并生成预测区间，以提高模型校准度和预测可靠性；最后，将模型部署到物联网系统中，展示了其在轻量化和低延迟方面的优势，满足了猪场的实时性要求。

本研究基于自主研发的智能饲喂器构建了信号采集平台，采集了饲喂器排料过程中的电压、电流和余料重量数据。试验在饲料粉率为0%、5%、10%、15%、20%、25%和30%的条件下进行，每次试验向料斗中加入40公斤饲料，直至排空。对原始数据进行了合并、清洗（使用IQR方法剔除异常值，线性插补缺失值）、时间窗口处理（采用滑动窗口分割与重叠技术）和数据集划分等预处理步骤。

提出的模型包含五个主要组成部分：数据集模块、输入层、特征提取层、由ResNet和Transformer组成的混合网络架构以及预测输出层。特征提取层生成了统计特征、动态特征、交互特征和小波特征四类特征。模型采用两阶段预测架构（WRN-WTF）。第一阶段使用基于小波的残差网络（WaveResNet, WRN）预测饲料粉率。第二阶段采用小波增强的Transformer模型（WaveTransformer, WTF）估计余料重量。小波变换采用Daubechies 4（db4）小波进行五层离散小波变换（DWT），得到近似系数（cA₅）和细节系数（cD₅, cD₄, cD₃, cD₂, cD₁）。WaveResNet通过随机森林回归器评估小波特征的重要性，并采用包含LeakyReLU激活函数、批量归一化（BN）和Dropout的增强残差块。WaveTransformer则结合了卷积特征提取、位置编码、时频注意力机制、基于门控的饲料粉率与信号特征融合以及不确定性预测模块。不确定性模块使用贝叶斯深度学习对预测分布进行建模，输出条件均值μ(x)和方差σ²(x)，并通过最小化负对数似然（NLL）目标函数进行训练。

模型训练使用ADAMW优化器，进行了200个epoch的训练，并采用早停机制。通过贝叶斯优化对窗口大小、重叠大小、批次大小、学习率、权重衰减、注意力头数、隐藏层大小和Dropout率等超参数进行了调优。为评估模型性能，选择了平均绝对误差（MAE）、均方根误差（RMSE）和决定系数（R²）作为评估指标，并采用预测区间覆盖概率（PICP）评估不确定性量化能力，使用SHAP（Shapley Additive exPlanations）值分析模型可解释性。

描述性统计分析表明，随着饲料粉率的增加，电流单调减小而电压增大，提示较高的粉率可能导致电机运行阻力增加。随着余料重量增加，电流上升而电压下降，表明较重负载需要更大电流维持电机功能。相关性分析显示，电压和电流呈强负相关，饲料粉率对电压和电流有强烈影响，余料重量与这些电信号呈中等程度相关。

在饲料粉率预测任务中，WaveResNet的表现为R² 0.9625, MAE 0.5778, RMSE 1.8261，优于Lasso回归、线性回归、Ridge回归、支持向量回归（SVR）、梯度提升、随机森林、深度神经网络（DNN）和ResNet等基准模型。消融实验表明，同时使用小波变换和LeakyReLU的WaveResNet配置性能最佳，说明两者具有协同效应。分析还发现，LeakyReLU保持了100%的神经元激活率，而ReLU仅激活约45%-55%的神经元，这解释了为何在结合小波变换时ReLU会导致性能下降，因为小波系数对称分布包含正负信息，ReLU会丢弃近半特征响应。

在余料重量预测任务中，WaveTransformer的表现为R² 0.9574, MAE 1.6663, RMSE 2.3719，优于循环神经网络（RNN）、时间卷积网络（TCN）、Transformer、长短期记忆网络（LSTM）和门控循环单元（GRU）等模型。消融实验显示，包含饲料粉率特征（WTF-B相比WTF-A）、不确定性建模（WTF-C相比WTF-B）和小波变换（WTF-D相比WTF-C）均能逐步提升性能，而完整的WaveTransformer模型（包含所有三个组件）达到了最佳预测精度。

特征重要性分析表明，加入小波特征后，六个小波基变量进入前十重要特征，改变了传统特征（如power_max）的重要性排名。SHAP分析确认了小波特征的显著贡献，并揭示了其与传统特征（如power_max）之间的非线性交互作用。不确定性评估显示，预测区间在不同置信水平下具有较高的校准度，且预测不确定性（标准差）与绝对预测误差之间存在正相关关系（Pearson相关系数0.562），表明模型能够可靠地量化预测的不确定性。

本研究开发的余料重量预测模型已集成到智能精准饲喂物联网系统中。通过MQTT协议传输实时电压电流信号，在云端预测饲料粉率和余料重量，并在移动端小程序界面进行可视化，实现了饲喂器运行的实时监控与预警。与基于称重传感器的传统方案相比，该方法降低了硬件成本和结构复杂性，提升了在粉尘、潮湿、振动等恶劣环境下的可靠性，并能通过电信号异常（如电流异常升高）指示可能的机械故障（如绞龙堵塞），为系统状态监测和智能维护提供了支持。

尽管该模型在现有数据集上表现良好，但仍存在一些局限性。数据集仅包含7种饲料粉率（0%-30%），未涵盖所有可能比例。此外，未考虑机械磨损、设备老化以及环境温湿度等外部因素，这些可能影响模型的长期性能。未来研究将集中于扩展数据集、集成多传感器信息（如振动、温度、湿度等其他电信号）以及引入自适应学习机制，以进一步提升模型在复杂环境下的泛化能力和鲁棒性。几个值得探索的方向包括：当前不确定性建模主要关注偶然不确定性，引入认知不确定性（如通过贝叶斯集成或变分推理）可能提高在数据稀缺或非平稳环境下的鲁棒性；当前小波特征依赖于固定基函数（如db4），通过神经网络或超参数优化进行自动化小波基选择可能增强动态信号条件下的特征提取能力。

该研究成功开发了一种基于电机电信号与小波Transformer的智能饲喂器余料重量高精度预测方法。通过两阶段建模框架，有效融合了小波变换在时频分析上的优势与深度学习模型在序列建模上的强大能力。不仅显著提升了预测精度，还通过不确定性量化和SHAP分析增强了模型的可信度和可解释性。最终，模型以轻量化和低延迟的特点成功部署于实际物联网系统，为智能养殖领域的精准饲喂管理提供了可靠的技术解决方案，对推动农业智能化发展具有重要意义。