CN107544252B - 基于机器学习的直落式物料下料机控制器 - Google Patents

Abstract

本发明公开了基于机器学习的直落式物料下料机控制器，其包括信号采集模块、处理模块、神经网络模块、迭代学习模块、存储模块、第一连接阵、第二连接阵和输出模块；神经网络模块采用动态递归Elman神经网络，信号采集模块分别通过仓位传感器、斗位传感器和称重模块来实时采集输入信号，离线训练中迭代学习模块根据梯度下降法调整权值，在线控制下料过程中处理模块根据空中量预测值通过输出模块对下料阀进行提前关阀控制。本发明采用非线性网络对下料过程进行建模，训练后的网络能对不同落料状态下的空中量进行准确预测，从而可直接快速精确下料且适用于小批量生产，又通过对下料累积误差的控制，减小了批量下料的总误差。

Description

基于机器学习的直落式物料下料机控制器

技术领域

本发明涉及定量下料领域，具体涉及一种基于机器学习的直落式物料下料机控制器。

背景技术

在工农业制造和商品包装中，有大量的粉粒物料，如铁精矿、煤粉等炼铁原料，聚丙烯、聚苯乙烯、聚氯乙烯、轻甲基纤维素、聚丙烯睛、环氧树脂粉末涂料等化工原料，石英砂、水泥等建材原料，洗衣粉等日用化工产品，小米、大豆等谷物豆类农产品，或粉、渣、粒状加工食品，饲料、化肥、农药等农业生产物料，以及粉粒状的保健品、中西药剂、调味品等均需要自动定量包装或者配料制造。

目前我国有很多企业仍然采用手工定量配料或者包装，一方面劳动强度大，速率慢，经济效益差；另一方面，食品、药品等手工定量往往不能满足卫生要求，有毒有害的物料，人工参与定量容易对人体造成伤害。因此对生产企业来说，急需提供价廉的具有较高速率和准确度的多组份自动定量下料设备或者装置，满足大量的物料定量包装或者配料制造要求。

目前国内外粉粒物料自动定量下料装置常用方法有两种，容积式和称重式。容积式定量依据物料容积进行计量充填或者投料，定量投料迅速，但定量物料质量受到物料密度变化而变化。如申请号为200920248298.2的中国专利考虑到快速下料时难以控制定量而通过先快后慢的方法来减小供料落差的影响，但其下料终值只能接近期望值，准确度不高。

称重式定量依据物料质量进行计量充填或者投料，需要在下料过程中不断称重，根据称重结果反馈控制下料量，由于称重受到下料冲击和空中滞后物料影响较大，组份下料速度和精度都面临很多困难。为了补偿空中物料对计量精度的干扰，很多方案采用提前关闭阀门的技术，如申请号为201410230888.8的中国专利将配料称重过程划分为三个阶段，并在最后一个阶段采用迭代学习控制方式来计算关闭提前控制量。

相比迭代学习控制中的间接式的线性迭代预测，如果能通过对影响下料过程中物料空中落料量各因素的分析来构造一种非线性映射，则可以更直观的描述下料过程并基于这种映射对物料空中量进行准确、直接的预测。

发明内容

下料过程中的空中落料量即空中量，其影响因素很多，如输送装置关闭速度、下料口到秤斗料面间落差大小、物料下落形态流率等，因而提前关闭下料输送装置的时间难以通过离线实验一次性确定。

根据对下料过程深入的测试与分析，发现直落式物料下料机空中量最主要的影响因素包括：下料仓料位、空中落差、落料率、物料密度及下料阀开口孔径。空中量是这些物理量的复杂非线性映射，为了对空中量进行预测并进而通过提前关闭阀门来进行精确的下料，需要辨识并表达该映射关系。

基于线性系统理论对系统进行辩识并修正参数的方法能较好地应用于线性系统，但无法适用于复杂的非线性系统。人工神经网络是由大量处理单元广泛互连而成的网络，具有大规模并行模拟处理能力和很强的自适应、自组织、自学习能力，在系统建模、辨识与控制中受到普遍重视，其所具有的非线性变换特性为系统辨识尤其是非线性系统的辨识提供了有效的方法。

目前，非线性系统辩识中应用最多的是多层前向网络，多层前向网络具有逼近任意连续非线性函数的能力，但这种网络结构一般是静态的，从物料下落过程分析可以看出，由于下料仓料位和空中落差都是逐渐变化的，因此，连续两个采样周期中空中量之间也有着紧密的联系。为此，本发明采用动态递归神经网络来对系统进行建模。与静态前馈型神经网络不同，动态递归网络通过存储内部状态，使其具备映射动态特征的功能，从而使系统具有适应时变特性的能力，更适合于非线性动态系统的辩识。本发明基于动态递归Elman神经网络，对空中量与下料仓料位c、空中落差h、落料率d、物料密度ρ及下料阀开口孔径D之间的映射关系进行辨识，又在下料过程中对下料仓中的物料分布进行检测与动态调整，使得经训练的神经网络能对不同状态下的空中量进行准确预测，从而实现高精度下料。

本发明的技术解决方案是，提供一种以下结构的基于机器学习的直落式物料下料机控制器，包括：信号采集模块、处理模块、神经网络模块、迭代学习模块、存储模块、第一连接阵、第二连接阵和输出模块，所述信号采集模块分别通过下料仓中仓位传感器、计量斗中斗位传感器和承载计量斗的称重模块来实时采集下料仓料位、计量斗料位、下落物料重量的传感信号并传输给处理模块进行数据处理与分析，存储器用于数据保存；

所述神经网络模块采用动态递归Elman神经网络，其输入层分别从处理模块接收下料仓料位、空中落差、落料率、物料密度及下料阀开口孔径5个输入量，输出层的输出量分别通过第一连接阵和第二连接阵传输至迭代学习模块和处理模块；

离线训练所述神经网络时，迭代学习模块根据处理模块和神经网络分别通过第一连接阵输入的物料空中量实际值和网络输出值，调整神经网络的连接权值；

在线控制下料时，第一连接阵断开，神经网络对空中量进行预测并经第二连接阵输出给处理模块，由处理模块处理分析后通过输出模块对下料仓底部开口处的下料阀进行关阀控制。

作为优选，所述输出模块还连接到计量斗底部开口处的落料阀，并根据处理模块的指令控制落料阀的启闭。

作为优选，所述信号采集模块还通过位于落料阀下方混料斗中的一个料位传感器采集混料斗中的料位，所述输出模块还连接到所述混料斗底部的推板，并根据处理模块的指令控制推板的启闭。

作为优选，所述输出模块还连接到串在储料仓与下料仓之间的进料泵，并根据处理模块的指令控制进料泵的起停和运转。

作为优选，所述输出模块还连接到下料仓中仓位传感器的可旋转底座，并根据处理模块的指令控制该底座的运转；

所述信号采集模块通过仓位传感器采集物料在不同方位的距离，同时处理模块通过仓位传感器的检测和对单位时间物料下料率的跟踪来判断下料仓内物料的分布。

作为优选，所述输出模块还连接到安装在下料仓侧壁的搅拌器，并根据处理模块的指令控制搅拌器的起停和运转。

作为优选，所述输出模块还连接到安装在混料斗中的混料器，并根据处理模块的指令控制混料器的起停。

作为优选，所述神经网络的模型为：

xc_k(t)＝x_k(t-mod(k，q)-1)，

其中，mod为求余函数，f()函数取为sigmoid函数；xc_k(t)为承接层输出，x_j(t)为隐含层输出，u_i(t-1)和y(t)分别为输入层输入和输出层输出，ω_j、ω_jk和ω_ji分别为隐含层到输出层的连接权值、承接层到隐含层的连接权值和输入层到隐含层的连接权值，θ和θ_j分别为输出层和隐含层阈值；k＝1，2...m，q为所选定的回归延时尺度，根据采样周期和下料速率优选，如可选q＝5；j＝1，2...m，i＝1，2...5，隐含层及承接层节点数m可以在11～20之间选择，如优选为16；

所述训练采用梯度下降法。

作为优选，所述的下料阀关阀控制，除了空中量预测值，还要对当前累积下料误差进行补偿。

作为优选，所述的神经网络模块有多个，每个神经网络模块对应下料机的一个下料阀。

采用本发明方案，与现有技术相比，具有以下优点：本发明采用非线性网络对下料过程的影响因素与空中量之间的映射关系进行构造建模，离线训练后的网络能对不同落料状态下的空中量进行准确预测，从而在线应用时可以根据预测值直接进行连续的下料控制而避开了在线迭代学习中的下料误差波动，能更快下料且适用于小批量生产，又通过对下料累积误差的控制，减小了批量下料的总误差。

附图说明

图1为基于机器学习的直落式物料下料机控制器的组成结构图；

图2为Elman神经网络结构示意图；

图3为直落式物料下料机组成结构图；

图4为直落式物料下料机外形结构图；

图5为物料下落过程示意图；

图6为储料仓及下料仓局部结构示意图；

图7为下料仓中搅拌器结构示意图；

图8为下料仓内物料流动层流示意图；

图9为计量斗内多组份物料分布示意图；

图10为物料下落过程中称重变化图。

其中：1、下料仓 2、下料阀 3、计量斗 4、称重模块 5、落料阀 6、混料斗 7、推板8、输料管 9、控制器 10、储料仓 11、进料泵 12、仓位传感器 13、斗位传感器 14、料位传感器 15、进料管 16、物料喷头 17、小孔 18、搅拌器 19、料位面 20、停靠指向点 21、扫描线22、混料器

30、机架

91、信号采集模块 92、处理模块 93、神经网络模块 94、迭代学习模块 95、存储模块 96、第一连接阵 97、第二连接阵 98、输出模块

181、底座 182、支臂 183、支臂转轴 184、爪手转轴 185、爪手

具体实施方式

以下结合附图对本发明的优选实施例进行详细描述，但本发明并不仅仅限于这些实施例。本发明涵盖任何在本发明的精神和范围上做的替代、修改、等效方法以及方案。

为了使公众对本发明有彻底的了解，在以下本发明优选实施例中详细说明了具体的细节，而对本领域技术人员来说没有这些细节的描述也可以完全理解本发明。

在下列段落中参照附图以举例方式更具体地描述本发明。需说明的是，附图均采用较为简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。

如图1所示，本发明基于机器学习的直落式物料下料机控制器，其包括信号采集模块91、处理模块92、神经网络模块93、迭代学习模块94、存储模块95、第一连接阵96、第二连接阵97和输出模块98。其中，神经网络模块93采用Elman神经网络，存储模块95即存储器用来保存数据。

如图2所示，所采用的Elman神经网络具有递归结构，相比BP神经网络，Elman神经网络除了输入层、隐含层和输出层之外，还包括一个承接层，承接层用于层间的反馈联结，使得其能够表达输入与输出之间在时间上的延迟及参数时序特征，使得网络具有了记忆功能。参见图2，所建立的神经网络输入层有5个单元，隐含层及承接层节点数m可以在11～20之间选择，如选择为16，输出层只有一个单元。

所述神经网络的模型为：

xc_k(t)＝x_k(t-mod(k，q)-1) (1)，

其中，mod为求余函数，f( )函数取为sigmoid函数；xc_k(t)为承接层输出，x_j(t)为隐含层输出，u_i(t-1)和y(t)分别为输入层输入和输出层输出，ω_j、ω_jk和ω_ji分别为隐含层到输出层的连接权值、承接层到隐含层的连接权值和输入层到隐含层的连接权值，θ和θ_j分别为输出层和隐含层阈值；k＝1，2...m，q为所选定的回归延时尺度，根据采样周期和下料速率优选，如可选q＝5；j＝＝1，2...m，i＝1，2...5。

参见图3、图4所示，本发明基于机器学习的直落式物料下料机控制器，用来对直落式物料下料机进行准确的下料控制。所述直落式物料下料机，其包括下料仓1、下料阀2、计量斗3、称重模块4、落料阀5、混料斗6，以及采用本发明的控制器9。直落式物料下料机用来对多种组份物料进行下料配料，其中每种组份的物料都有一组下料仓1和下料阀2对应，下料阀2的动作部件安装在下料仓1的底部出口处。

机架30作为设备的框架，用来固定和支撑其他各个部件。称重模块4固定在机架30上，计量斗3则活动式扣压在称重模块4上，计量斗3的底部有开口，所述开口的打开与关闭受落料阀5的控制。计量斗4位于下料仓1的下部，多个下料阀2的中心相对计量斗4的中心呈圆弧形分布。

混料斗6位于落料阀5下方，且其底部有一个推板7，推板下方连接有一个输料管8，后者将多组份的混合物料输送到包装袋或者生产设备。在混料斗6的侧壁上安装有一个料位传感器14，其内部还有一个混料器22，混料斗6的容量是计量斗3的若干如15倍。

结合图1和图4所示，作为优选，本发明控制器9，还包括一个输入模块，如触摸屏。操作时，可通过触摸屏的人机界面进行多组份物料的配方及其他参数的设置，还可以通过触摸屏操作来实现第一连接阵及第二连接阵的切换，从而使得控制器工作在离线训练或在线预测模式。

结合图4和图5所示，控制器可实时动态读取称重模块的当前读数，但在下料过程中，其所读取的读数并非真正下落到计量斗中物料的重量，其中还包括了物料冲击量的作用；而且在关闭阀门后，从下料阀到计量斗之间的物料还将继续下落到计量斗中。因此，一般采用扣除这一部分空中量，即在称重计量小于目标重量一定值时关闭阀门的方法来进行下料控制。但在实际中如何准确获取空中量大小是必须解决的一个难题。

图5示意了物料下落过程中料位落差与落料速度对计量斗冲击的变化，物料以初速度v₀从下料阀2中落下，下料阀2出口与计量斗3底部的距离为H，随着计量斗中料位h₂的增加，空中落差h₁将变小。

计量斗中物料的质量当量变化可用下式表示：

其中，在t时刻，dm为下料阀出口的单位时间落料质量(g/s)，v₀为物料下落时的初始速度，Δm的物料在落到计量斗时的速度在Δt时间内从速度v₁变为0。

从式(4)可以看出，随着空中落差h₁的变化，物料对计量斗的冲击也随着改变，因此，计量斗的重量变化是随时间改变的。

通过对下料过程进行反复实验测试和分析，总结出对直落式物料下料机，其下料过程中空中量最主要的影响因素包括：下料仓料位c、空中落差h、落料率d、物料密度ρ及下料阀开口孔径D。空中量是这些物理量的复杂非线性映射。为了准确获取不同状态下物料空中量的预测值，从而通过提前关闭阀门来进行准确的下料，需要辨识并表达该映射关系。

基于该映射的复杂非线性特征，又考虑到连续两个采样周期中空中量之间存在的紧密联系，本发明采用动态递归Elman神经网络建模，对空中量与下料仓料位c、空中落差h、落料率d、物料密度ρ及下料阀开口孔径D之间的映射关系进行辨识。

结合图1和图2所示，所建立的神经网络，输入层包括5个节点，其中物料密度ρ及下料阀开口孔径D是确定值，可通过触摸屏输入到控制器；其他3个量则需要通过信号采集模块来动态实时采集。通过在网络中引入多个不同延时回归的承接层节点，使得网络结构与下料过程更为切合，从而使网络训练更快收敛。

离线训练所述神经网络时，迭代学习模块根据处理模块和神经网络分别通过第一连接阵输入的物料空中量实际值和网络输出值，调整神经网络的连接权值。

为了获取训练样本，在下料开始后，当物料从下料仓底部下料阀到计量斗之间形成连续的物料流时，持续下料一段时间，在关闭阀门时实时读取称重模块重量读数W，等待物料下落完毕后读取称重模块重量读数WD，则在关闭阀门时刻的状态下的空中量为A＝WD-W，此值即样本输出值y的实际值即期望值y_d。

神经网络训练采用梯度下降法，训练中权值和阈值调整方法如下。

假设总共有P个训练样本，令误差函数为：

则隐含层到输出层连接权值的调整式如下式所示：

ω_j(t+1)＝ω_j(t)+Δω_j(t+1) (6)，

其中，

δ_y＝-(y_d-y)·y·(1-y) (8)，

输出层阈值的调整式为：

θ(t+1)＝θ(t)+Δθ(t+1) (9)，

其中，

类似地，输入层到隐含层连接权值的调整式为：

ω_ji(t+1)＝ω_ji(t)+Δω_ji(t+1) (11)，

其中，

δ_j＝δ_y·ω_j·x_j(t)·(1-x_j(t)) (13)，

隐含层阈值的调整式为：

θ_j(t+1)＝θ_j(t)+Δθ_j(t+1) (14)，

其中，

不考虑xc_k(t)对连接权ω_jk的依赖，承接层到隐含层连接权值的调整式为：

ω_jk(t+1)＝ω_jk(t)+Δω_jk(t+1) (16)，

其中，

各权值的初始值域取为(-0.1，0.1)区间，学习速率η为小于1的小数，可采用固定速率或根据当前网络输出总误差来动态调整。

训练结束条件可以设定为总误差或其变化小于一个设定值或训练次数达到一定量。

作为优选，为了使得训练样本覆盖更多情况，每次关闭阀门时刻可以设定为从下料阀打开时刻或称重模块重量读数为某个确定值时刻之后的随机值。

在进行网络训练之前，对5个输入量和1个输出量进行归一化预处理：

r′＝r-r_min/r_max-r_min (18)，

其中，r为未经处理的物理量，r′为经过归一化后的物理量，r_max和r_min分别为样本数据集的最大和最小值。

计算空中量预测值时，用下式将网络输出量换算回空中量值：

r＝r_min+r′·(r_max-r_min) (19)。

在线控制下料时，第一连接阵断开，神经网络对空中量yA进行预测并经第二连接阵输出给处理模块，由处理模块处理分析后通过输出模块对下料仓底部开口处的下料阀进行关阀控制：

假设当前组份的一次下料量为Ws，开始下料时，控制器通过读取称重模块的传感值，获得计量斗的初始重量为G0；那么，控制器不断读取称重模块的传感值，当该值达到(G0+Ws-yA)时，关闭下料阀。

作为优选，除了空中量预测值，还要对当前累积下料误差进行补偿，即当检测到计量斗重量达到(G0+Ws-yA-E)时，关闭下料阀，其中E为本组份当前累积下料误差。

训练样本的5个输入量中，要预先设置物料密度及下料阀开口孔径，其他三个动态变化的物理量则需要实时采集。

信号采集模块分别通过下料仓中仓位传感器、计量斗中斗位传感器和承载计量斗的称重模块来实时采集下料仓料位、计量斗料位、下落物料重量的传感信号并传输给处理模块进行数据预处理，之后输入到神经网络，神经网络输出值和经处理模块预处理的期望输出值均通过第一连接阵传送至迭代学习模块，由迭代学习模块根据梯度下降法将调整后的权值回传给神经网络。

所述仓位传感器和斗位传感器均可采用距离传感器，分别检测下料仓和计量斗中物料的料位高度，其中计量斗的斗位信号经处理模块处理后变换为物料空中落差。

作为优选，斗位传感器可以类似仓位传感器进行设置。

通过周期性地不断采集称重模块信号，处理模块可以计算出单位时间内物料下落质量当量即落料率。

从式(4)中还可以分析出，单位时间落料质量当量即被检测到的落料率还受到下料仓1中物料形态分布的影响。

颗粒物质在重力作用下自下料仓流出形式主要有整体流和中心流两种类型。整体流的流动型式中料仓内整个颗粒层能够大致均匀地流出，且基本上每一个颗粒都在运动；而中心流的流动型式中则有些颗粒是静止的，在流动和静止颗粒间存在一个流动通道边界。整体流的整体下料速率比中心流大，并且下料速率的波动较小、流动稳定。在实际生产过程中，仓内物料可能会出现中心流的流动型式，使得当料口开始卸料时，由于仓压所产生的压实应力作用而造成物料结实成板。

结合图6～8所示，作为优选，为了减小下料仓中落料率的波动幅度，从而更好地进行系统建模和空中量预测，本发明所应用于的物料下料机，其采用距离传感器型仓位传感器和机械手形搅拌器对下料仓内的物料堆积形态进行检测和调节，使得下料口上方交替出现动态料拱的形成与坍塌，保证落料形态为稳定的整体流型式，从而大大减小下料仓落料率的波动。

如图6所示，下料仓1不断出料，当仓内料位降低到一定值时，需要对其进行补料。为此，在下料仓1上方设置一个储料仓10，储料仓10中的物料通过进料泵11和进料管15进入下料仓1。为使得物料颗粒均匀下料，在进料管15的末端出口处设有一个物料喷头16，物料喷头16表面为球冠形，其表面分布有圆形小孔17，小孔孔径根据物料的粒度进行优选。进料泵11采用螺杆输送机，其动作由控制器进行控制。在下料仓1下料过程中，随着料位面19的降低，进料泵11在控制器的控制下动作，使得下料仓内物料顶面的料位保持在预设值附近。

图6中两图分别从下料仓1的侧视和俯视方向观察，如图6a和6b所示，在下料仓1近机架中心的一个顶角上安装有仓位传感器12，其有一个可旋转底座能进行俯仰和旋转，使得仓位传感器能在不同停靠指向点20的方向上进行物料检测，各停靠指向点20组成接近同心圆的扫描线21，从而判断出料位面19的分布。

如图7所示，控制器通过下料机在下料仓1侧壁上安装的一个搅拌器18来改善物料的分布。搅拌器18包括依次相连的底座181、两个支臂182、连接两个支臂的支臂转轴183、爪手转轴184和爪手185，其中底座181也含有一个旋转轴。

下料过程中，本发明控制器分别通过仓位传感器的检测和对单位时间下料率的跟踪来判断下料仓内物料的分布，使得下料仓内的料位面保持近似抛物线面形。结合图6～8所示，当物料均匀分布时，仓位传感器在不同方位检测到的物料距离值经射线与竖直方向夹角的几何变换后近似集中在一个较小的范围内。当物料局部发生板结或稳定的料拱时，检测到的距离值超出此范围。同时，通过称重模块对各下料仓的下料速率进行实时跟踪。当距离传感器检测到上述异常状态或者发现单位时间下料量波动超过设定阈值如5％后，控制器命令搅拌器动作，通过转轴的旋转，其爪手从起点开始经料位高点区域到料位低点区域，做螺旋形翻转，从而破除偶尔形成的板结或料拱，使物料恢复流动，保持整体流的层流态。

如图8所示，本发明通过距离传感器和搅拌器的检测与动作配合，大幅度地减弱了装料冲击所产生的压实力作用，有效地防止了仓内物料的粒度离析，使下部仓斗内的物料活化，改善了物料的流动。在连续的加料与下料过程中，所有的颗粒都在有序地流动着，随着仓内颗粒的流出，颗粒群呈现整体流的层流态。

作为优选，本发明控制器作为整个直落式物料下料机的控制中心，在多组份物料下料过程中，控制器依次控制各下料阀动作，在完成一次配方量下料后，打开落料阀，物料从计量斗落入混料斗中。

在完成多个一次量下料后，控制器读取混料斗中料位传感器的状态，若检测到料位超过设定阈值，则通过输出模块控制混料器旋转搅拌，将多种物料混合均匀后，在控制器的控制下，推板打开，混合物料从输料管输出。

图9～10补充了多组份物料下料过程的记录，其中图9所示为4种组份下料时计量斗内的物料分布示意图；图10为一次2500ms时长物料下落过程中称重模块读数的变化曲线，其中，横坐标为关闭下料阀后的延时时间。从中可见，由于冲击力的作用，称重读数将出现过冲，然后才回复到实际重量；并且，在下料阀关闭约800ms后空中物料才完全落入计量斗，称重模块读数趋于稳定。

应用本发明控制器进行下料控制，先离线对各下料阀的下料行为进行分别建模，采集样本的过程中单独进行每组份物料的下料，从而可以回收所有物料而不会造成浪费。实际下料时周期性采集下料仓料位、空中落差及落料率，能实时对当前空中量进行预报，因而从第一个批次开始，就能精确下料而避开了其他如在线迭代学习方案中的下料误差波动。

以上所述的实施方式，并不构成对该技术方案保护范围的限定。任何在上述实施方式的精神和原则之内所作的修改、等同替换和改进等，均应包含在该技术方案的保护范围之内。

Claims (9)

1.基于机器学习的直落式物料下料机控制器，其包括信号采集模块、处理模块、神经网络模块、迭代学习模块、存储模块、第一连接阵、第二连接阵和输出模块，所述信号采集模块分别通过下料仓中仓位传感器、计量斗中斗位传感器和承载计量斗的称重模块来实时采集下料仓料位、计量斗料位、下落物料重量的传感信号并传输给处理模块进行数据处理与分析，存储器用于数据保存；

所述输出模块还连接到混料斗底部的推板，并根据处理模块的指令控制推板的启闭，所述混料斗位于落料阀下方；

所述神经网络模块采用动态递归Elman神经网络，其输入层分别从处理模块接收下料仓料位、空中落差、落料率、物料密度及下料阀开口孔径5个输入量，输出层的输出量分别通过第一连接阵和第二连接阵传输至迭代学习模块和处理模块；

离线训练所述神经网络时，迭代学习模块根据处理模块和神经网络分别通过第一连接阵输入的物料空中量实际值和网络输出值，调整神经网络的连接权值；

在线控制下料时，第一连接阵断开，神经网络对空中量yA进行预测并经第二连接阵输出给处理模块，由处理模块处理分析后通过输出模块对下料仓底部开口处的下料阀进行关阀控制；

并且，所述的下料阀关阀控制过程中，假设当前组份的一次下料量为Ws，开始下料时，控制器通过读取称重模块的传感值，获得计量斗的初始重量为G0；之后，控制器不断读取称重模块的传感值，当该值达到(G0+Ws-yA-E)时，关闭下料阀，其中E为本组份当前累积下料误差。

2.根据权利要求1所述的基于机器学习的直落式物料下料机控制器，其特征在于：所述输出模块还连接到计量斗底部开口处的落料阀，并根据处理模块的指令控制落料阀的启闭。

3.根据权利要求1所述的基于机器学习的直落式物料下料机控制器，其特征在于：所述信号采集模块还通过所述混料斗中的一个料位传感器采集混料斗中的料位。

4.根据权利要求1所述的基于机器学习的直落式物料下料机控制器，其特征在于：所述输出模块还连接到串在储料仓与下料仓之间的进料泵，并根据处理模块的指令控制进料泵的起停和运转。

5.根据权利要求1所述的基于机器学习的直落式物料下料机控制器，其特征在于：所述输出模块还连接到下料仓中仓位传感器的可旋转底座，并根据处理模块的指令控制该底座的运转。

6.根据权利要求1所述的基于机器学习的直落式物料下料机控制器，其特征在于：所述输出模块还连接到安装在下料仓侧壁的搅拌器，并根据处理模块的指令控制搅拌器的起停和运转。

7.根据权利要求1所述的基于机器学习的直落式物料下料机控制器，其特征在于：所述输出模块还连接到安装在混料斗中的混料器，并根据处理模块的指令控制混料器的起停。

8.根据权利要求1～7任何一项所述的基于机器学习的直落式物料下料机控制器，其特征在于，所述神经网络的模型为：

xc_k(t)＝x_k(t-mod(k，q)-1)，

其中，mod为求余函数，f()函数取为sigmoid函数；xc_k(t)为承接层输出，x_j(t)为隐含层输出，x_k(t)为x_j(t)所组成向量的分量，u_i(t-1)和y(t)分别为输入层输入和输出层输出，ω_j、ω_jk和ω_ji分别为隐含层到输出层的连接权值、承接层到隐含层的连接权值和输入层到隐含层的连接权值，θ和θ_j分别为输出层和隐含层阈值；k＝1，2…m，q为所选定的回归延时尺度，根据采样周期和下料速率优选；j＝1，2…m，i＝1，2…5，隐含层及承接层节点数m在11～20之间选择；

所述训练采用梯度下降法。

9.根据权利要求8所述的基于机器学习的直落式物料下料机控制器，其特征在于：所述的神经网络模块有多个，每个神经网络模块对应下料机的一个下料阀。

Images