《Journal of Dairy Science》：Characterization of failed milking events in a voluntary milking system
编辑推荐：
随着自动化技术的发展，牧场越来越多地应用机器人挤奶系统（AMS），以提升效率。然而，挤奶失败事件（FME）频发严重影响了整体挤奶效率和动物福利。为此，美国德克萨斯A&M大学的研究团队开展了一项研究，旨在评估自由流散放式自愿挤奶系统中FME的发生情况。他们分析了超过61万次挤奶记录，发现乳头连接相关问题是FME最主要的原因。研究发现，胎次、泌乳阶段和乳房炎是FME发生的重要关联因素。患有乳房炎的奶牛，其发生FME的比值比（OR）高达6.70。此外，较长的挤奶间隔、较低的产奶量和较低的挤奶速度均会显著增加FME的风险。这些结果为针对不同生理阶段奶牛制定个体化挤奶策略、优化机器人挤奶系统效率提供了重要依据。
想象一下这样的场景：在现代化的奶牛场里，挤奶工作不再需要农场主凌晨三点起床，而是由机器人自动完成。奶牛们可以自由地走进一个“小房间”，机器手臂会自动识别乳头、清洗、套上挤奶杯，然后开始挤奶。这听起来像是农业的未来。自20世纪90年代问世以来，自动（或称机器人）挤奶系统（Automatic Milking System, AMS）因其能降低劳动力成本、自动记录数据、提高整体农场效率而受到青睐，其全球应用率持续增长。然而，这个看似完美的“未来牧场”也面临着自己的烦恼——挤奶失败事件（Failed Milking Event, FME）。当一头符合挤奶条件的奶牛走进机器人，却没能完成挤奶时，一次FME就发生了。这不仅意味着牛奶产量的损失，增加了额外的劳动成本，还可能影响奶牛的健康和福利。随着机器人挤奶系统的日益普及，理解FME背后的原因，并找到减少它们的方法，对于优化农场运营、保障动物福祉和提高经济效益至关重要。
发表在《Journal of Dairy Science》上的研究“Characterization of failed milking events in a voluntary milking system”正是为了应对这一挑战。这项研究在德克萨斯州中部一个采用自由流散放（free-flow）奶牛通道和Lely Astronaut A5型号机器人的商业化牧场进行。研究人员收集了从2020年2月到2024年6月，共计4.5年的挤奶机器人数据。最终分析队列包含613头奶牛的记录，覆盖了总共614,681次挤奶会话，其中5,053次被归类为FME，发生率为0.82%。研究核心在于评估胎次、泌乳阶段、乳房炎状态、环境温湿指数（Temperature-Humidity Index, THI）等因素对FME发生几率和频率的影响。
为完成这项研究，作者团队主要运用了以下几种关键技术方法：首先，他们进行了大规模、长期、纵向的数据收集与整合，从Lely挤奶机器人和牛群管理软件（DairyComp 305）中同步了超过61万次挤奶记录和相关的奶牛健康事件（如乳房炎）数据，并使用Python的Pandas库进行了复杂的数据清理、管理和特征工程。其次，他们采用了统计建模来剖析FME的风险因素，具体使用了两种广义线性混合模型：一个采用二项分布和logit连接函数的模型，用于评估各因素对FME发生比值比（Odds Ratio, OR）的影响；另一个采用截断负二项分布和对数连接函数的模型，用于计算FME在不同泌乳周和胎次下的发病率比（Incidence Rate Ratio, IRR）。
Distribution of Failed Milking Events（挤奶失败事件的分布）
研究首先对FME的类型进行了细分。在总计5,053次FME中，最常见的失败原因是“无奶流时间”（Dead Milk Time, DT），占35.6%。这意味着挤奶杯虽然成功套上了乳头，但牛奶并未流出。其次是“连接时间过长”（Connection Time, CT），占35.1%，指为所有乳头建立连接并开始挤奶所花费的时间超过了推荐值。排在第三位的是“连接尝试次数过多”（Connection Attempt, CA），占21.9%，即机械臂尝试连接乳头的次数超过了制造商建议的阈值。“自动机器人停止”（Automatic Robot Stop, AS）和“其他原因”（如用户干预、机器人手臂停止等）分别占5.7%和1.7%。总体来看，与乳头连接直接相关的问题（CT和CA）合计占比超过一半（57%），是FME的最主要来源。进一步对可追溯到具体乳区（quarter）的FME（CA和DT）进行分析发现，连接失败（CA）在奶牛后侧乳头（左后和右后）的发生率显著高于前侧乳头，这凸显了机械臂在连接后侧乳头时面临的特殊挑战。
Incidence rate of FME across lactation weeks and parity by FME reason（按失败原因划分的FME在泌乳周和胎次间的发生率）
通过截断负二项模型分析FME的发生率，研究发现FME的总发生率随着泌乳周的推进而显著下降（IRR = 0.98），这意味着每增加一个泌乳周，FME的发生率大约降低1.9%。然而，胎次本身（初产牛vs.经产牛）对总体FME发生率没有显著影响。值得注意的是，不同类型的FME其发生率差异巨大。与自动机器人停止（AS，作为参考类别）相比，CT的发生率是它的14.77倍，DT是8.33倍，CA是7.82倍，这再次证实了连接和无奶流问题是FME发生频率的核心。
Characterization of risk factors associated with FME（与FME相关的风险因素表征）
这部分通过二项回归模型，揭示了哪些具体因素会增加单次挤奶会话发生失败的风险（以比值比OR衡量）。研究得出了一系列关键发现：
- 1.
疾病状态：患有乳房炎的奶牛，其发生FME的几率是健康奶牛的6.70倍（OR = 6.70），而其他疾病（如胎衣不下、跛行等）则与FME无显著关联。
- 2.
泌乳阶段与胎次的交互作用：泌乳周的推进会轻微增加经产牛发生FME的风险（OR = 1.004）。更重要的是，存在显著的“胎次 × 泌乳周”交互效应。对于初产牛，其发生FME的风险随着泌乳的进行而明显下降；而对于经产牛，风险则略有上升。
- 3.
挤奶间隔：与常规间隔（8-14小时）相比，挤奶间隔延迟（>14小时）会使FME风险增加80%（OR = 1.80），而频繁挤奶（<8小时）则会使风险降低26%（OR = 0.74）。
- 4.
挤奶性能：较低的挤奶速度（<2.7 kg/min）会增加FME风险（OR = 1.28）。更显著的是，较低的产奶量（<10.58 kg/次）会使FME风险飙升至高产奶量奶牛的2.48倍，中等产奶量也会使风险增加30%。
- 5.
温湿指数：与低温湿指数（无热应激）相比，在中等温湿指数（轻度至中度热应激）条件下，FME的风险反而降低了13%（OR = 0.87）。高温湿指数（严重热应激）下的风险与低温时无显著差异。研究者推测，这可能是因为在中等热应激时期，农场启动了降温措施（如风扇、喷淋），反而改善了奶牛舒适度，增加了其自愿挤奶的积极性。
结论与讨论
本研究的核心结论是，在自由流散放式机器人挤奶系统中，挤奶失败并非随机事件，而是与奶牛的生理状态、行为习惯以及系统技术特性密切相关的一系列可预测风险的结果。首先，乳头连接是系统的最薄弱环节，连接时间过长和尝试次数过多是导致失败的最主要原因，而后侧乳头的连接尤其困难。其次，奶牛个体特征影响显著：初产牛由于乳头较小、行为紧张、可能存在乳房水肿，在泌乳初期面临更高的失败风险；而患有乳房炎的奶牛则是FME发生的极高危群体。再者，管理实践至关重要：保持规律的挤奶间隔、避免过长时间不挤奶，是降低FME风险的有效管理策略。低产奶量和低挤奶速度是FME的强预测指标，可能反映了奶牛整体的生理状态或健康状况不佳。
这项研究的意义重大而深远。在实践层面，它直接为牧场管理者提供了清晰的行动指南：应重点关注泌乳早期的初产牛和乳房炎患牛，对其实施更密切的监控和针对性护理；优化挤奶间隔管理，鼓励奶牛更频繁地自愿挤奶；定期维护和校准挤奶机器人，特别是确保乳头识别和连接系统的精准性。在技术研发层面，研究结果指出，未来机器人挤奶系统的设计改进应聚焦于提升对后侧乳头的连接成功率和效率，并考虑开发能更好适应不同胎次、不同泌乳阶段奶牛生理特点的智能化算法。在学术层面，该研究通过结合高粒度的事件级风险分析（逻辑回归）和长期趋势的频率分析（负二项模型），为理解复杂农业技术系统中的性能问题提供了成熟的方法学范例。它表明，提升机器人挤奶系统的效率不仅是一个工程问题，更是一个需要综合动物科学、兽医学、行为学和数据科学的跨学科课题。最终，通过基于此类科学洞察来定制挤奶策略，奶牛养殖业可以在拥抱自动化的同时，最大程度地保障动物福利，减少生产中断，实现经济效益与可持续发展的双赢。
