基于电压电流信号时间序列的智能饲喂器剩余饲料重量预测方法

《Smart Agricultural Technology》：A prediction method for remaining feed weight in intelligent feeders from electrical signal time series

本研究针对智能饲喂器饲料中断影响生产连续性问题，开发了基于电压电流信号的二阶段剩余饲料重量预测模型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预测饲料粉末比例，WaveTransformer输出剩余重量及置信区间，实现了MAE 1.6663、RMSE 2.3719、R2 0.9574的高精度预测，为猪场精准饲喂提供了实时监测解决方案。

　　

在现代化猪场养殖中，智能饲喂器作为精准饲喂系统的核心装备，其稳定运行直接关系到生猪的生产效益。然而，由于智能饲喂器未配备大容量料斗，在长时间运行过程中需要及时补料。目前主要依靠人工检查的方式进行剩余饲料监测，这种方式在大规模猪场运营中容易导致饲料中断——特别是在夜间人员配备有限时。饲料中断不仅会降低生猪采食量，还会引发猪群争食行为，增加个体生长差异，最终影响精准饲喂的效果。

针对这一行业痛点，华南农业大学工程学院的研究团队在《Smart Agricultural Technology》上发表了一项创新研究，提出了一种基于电机电压电流信号时间序列的智能饲喂器剩余饲料重量预测方法。该研究通过分析饲喂器电机运行过程中产生的电信号特征，建立了可靠的剩余饲料监测方案，为实现猪场饲喂过程的自动化监控提供了技术支撑。

研究团队采用了几个关键技术方法：首先搭建了包含压力传感器、电压电流采集器的数据采集平台，在7种不同饲料粉末比例（0%-30%）条件下采集了40kg饲料卸料全过程的数据；其次运用离散小波变换（DWT）提取电信号的时频特征，采用Daubechies 4小波基进行5层分解；最后设计了二阶段预测框架WRN-WTF，第一阶段使用改进的残差网络WaveResNet预测饲料粉末比例，第二阶段结合Transformer架构和时序-频率注意力机制构建WaveTransformer模型进行重量预测，并引入不确定性分析模块输出置信区间。

数据采集与预处理

研究人员基于自主开发的智能饲喂器搭建了信号采集平台，通过压力传感器、电压电流传感器以10Hz采样频率收集数据。采用滑动窗口技术对时序信号进行分割，窗口长度100，步长20-30，有效增加了训练样本多样性。数据预处理包括异常值剔除（IQR方法）、缺失值线性插补，确保了数据质量。

模型架构设计

提出的WRN-WTF模型包含五个核心组件：数据集模块处理多源信号；输入层进行数据对齐；特征提取层生成统计、动态、交互和小波四类特征；WaveResNet网络通过LeakyReLU激活函数和残差连接优化了 wavelet特征的提取能力；WaveTransformer模型创新性地融合了时序-频率双域注意力机制，通过门控机制动态整合饲料粉末比例信息。

预测性能评估

在饲料粉末比例预测任务中，WaveResNet表现卓越，达到R² 0.9625、MAE 0.5778、RMSE 1.8261，相比传统DNN模型R²提升7.74%。在剩余饲料重量预测方面，WaveTransformer的R²达到0.9574，显著优于RNN、TCN、LSTM等基准模型，MAE降低29.33%-58.70%。消融实验进一步证实了饲料粉末比例特征的关键作用，其缺失会导致模型性能大幅下降。

特征重要性分析

通过SHAP和特征重要性排序发现，小波特征在预测中贡献显著，6个小波衍生变量进入重要性前十。电流小波细节系数第三层标准差（current_wavelet_detail_3_std）与功率最大值呈正相关（r=0.42），与电压最小值负相关（r=-0.45），表明小波特征提供了与传统特征互补的信息表征。

不确定性量化验证

模型输出的预测区间在多个置信水平下均表现出良好校准特性，预测不确定性与实际误差呈正相关（Pearson相关系数0.562）。这种不确定性量化能力为实际应用提供了可靠性保障，使管理人员能够根据置信区间做出更明智的决策。

研究结论表明，基于电信号的剩余饲料重量预测方法不仅精度高，还具有硬件成本低、安装简便、抗干扰能力强等优势。与传统称重传感器相比，电压电流传感器更能适应猪场恶劣环境，同时还能提供设备健康状态信息，为预防性维护提供数据支持。

讨论部分指出，当前研究还存在一定局限性，如数据集仅覆盖0%-30%的饲料粉末比例，未考虑机械磨损、环境温湿度等外部因素。未来研究方向包括扩展数据集规模、融合多传感器信息、引入自适应学习机制等，以进一步提升模型在复杂环境下的泛化能力。

该研究的创新点在于将工业领域的电机信号分析技术成功应用于农业饲喂设备监控，开创了基于电信号的饲料重量预测新范式。研究成果已集成到智能精准饲喂物联网系统中，通过MQTT协议实现云端预测和移动端可视化，为猪场智能化管理提供了切实可行的技术方案。这种轻量级、低延迟的预测模型满足了猪场实时性要求，标志着智能饲喂技术从传统机械监测向电气信号分析的重要转变。