CN107697660B - 基于机器学习的螺杆式物料配料机控制方法 - Google Patents

Abstract

本发明公开了基于机器学习的螺杆式物料配料机控制方法，先在控制器中建立动态递归Elman神经网络，将下料仓料位、空中落差、落料率、物料密度及螺旋输送器的螺旋叶片直径、螺距和螺杆最大转速7个输入量映射为螺杆式物料配料机下料过程中的物料空中量，按梯度下降法离线训练网络后，在线控制下料过程中处理模块根据神经网络输出的空中量预测值通过输出模块对螺旋输送器进行提前关闭控制。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，从而可直接精确下料且适用于小批量生产，又由于螺杆可保持高运转速度而提升了下料效率。

Description

基于机器学习的螺杆式物料配料机控制方法

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螺杆式物料配料机控制方法。

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配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。为提高下料精度，出现了多种调节方法，如申请号为201320001933.3的中国专利，对螺杆采用变频调速，在接近目标值逐渐减慢喂料速度，减少空中落差值；申请号为201310234280.8的中国专利，在纯碱包装机三速变频给料工艺中采用大小螺杆分多阶段下料；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；这些非称重式方案的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

单纯的螺杆式送料器属于容积式定量范畴，容积式定量充填基于容积来计量充填物料的数量，其结构简单，成本低，但定量充填速度稳定性及精度依赖于物料视比重的稳定性，受物料松散程度、颗粒均匀程度、吸湿性等物理化学性质的影响较大。由于普通容积式本质上是换算式的，无法像称重式一样掌握下料的确切质量，后来虽然出现了结合称重的方案，但由于没有空中量预测而只能依靠下料最后阶段极低的送料速度来保证精度。

为此，本发明将动态称重检测与螺杆送料器相结合，以提高下料速度。但在称重式下料中，需要对空中量及其冲击进行估算。而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，发现螺杆式物料配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、物料密度及螺旋输送器的螺旋叶片直径、螺距和螺杆最大转速。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螺旋输送器来进行精确的下料，需要辨识并表达该映射关系。

基于线性***理论对***进行辩识并修正参数的方法能较好地应用于线性***，但无法适用于复杂的非线性***。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***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***辨识尤其是非线性***的辨识提供了有效的方法。

目前，非线性***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***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***具有适应时变特性的能力，更适合于非线性动态***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及螺旋输送器的螺旋叶片直径D、螺距S和螺杆最大转速v_R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直接预测，从而实现高精度下料。

本发明的技术解决方案是，提供一种基于机器学习的螺杆式物料配料机控制方法，包括以下步骤：

S1、建立神经网络模块：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、物料密度及螺旋输送器的螺旋叶片直径、螺距和螺杆最大转速7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；

S2、获取训练样本：用螺杆式物料配料机重复下料，每次下料开始后，当物料从下料仓底部螺旋输送器到计量斗之间形成连续的物料流时，再持续下料一段时间，在关闭螺旋输送器时实时读取称重模块初始重量读数W并由处理模块获取输入量的值，等待物料下落完毕后读取称重模块重量读数WD，则在关闭螺旋输送器时刻的状态下的空中量为A＝WD-W，以A作为样本输出量的空中量实际值；

S3、离线训练神经网络：基于所获取的训练样本，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，采用梯度下降法迭代调整神经网络的连接权值；

S4、在线下料控制：

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，得到下料仓料位、空中落差、落料率；

利用训练好的神经网络对空中量进行预测得到预测值yA并传送给处理模块，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螺旋输送器的关闭时刻进行控制。

作为优选，所述在线下料控制过程中，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)时，关闭螺旋输送器。

作为优选，所述获取训练样本过程中，使训练样本覆盖足够多的下料状态，每次关闭螺旋输送器时刻可以设定为从称重模块初始重量读数为某个确定值时刻之后的随机值。

作为优选，所述在线下料控制过程中，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，关闭螺旋输送器，其中E为本组份当前累积下料误差。

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；

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；

所述输出模块还连接到安装在机架靠近下料仓侧壁处的振动杆，并根据处理模块的指令控制振动杆的起停和运转；

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，所述输出模块还分别连接到所述混料斗底部的推板和安装在混料斗中的混料器，并根据处理模块的指令分别控制推板和混料器的起停。

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，其中进料泵转速按下式进行控制：

其中，V_进0为一设定最大进料速度，l为下料仓当前料位，L_M和L_m分别为所预设的最高、最低下料仓料位。

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...7，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。

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配料机的一个螺旋输送器。

作为优选，所述输出模块采用如下方式对螺旋输送器的运转速度进行控制：

A、从停止状态以μ·a_max加速度起动，当速度达到λ·v_R时保持速度不变；

B、当关闭时间到时，以μ·a_max加速度开始减速，直至停止；

其中，a_max为螺旋输送器的螺杆额定最大加速度，v_R为最大速度，μ为(0.5～0.9)之间的加速度系数，λ为(0.85～1.0)之间的速度系数；

所述关闭时间是指，当前从称重模块读取到的已下料重量等于：

其中，Ws和Wa分别为当前物料一次下料量和空中量预测值，d为螺杆以最大速度运转时螺旋输送器的下料速率，t_s为减速停止时间长度：t_s＝λ·v_R/μ·a_max。

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，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，且相对于一般螺杆式下料装置而言螺旋输送器可以保持更高运转速度，提升了下料效率。

附图说明

图1为基于机器学习的螺杆式物料配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为螺杆式物料配料机组成结构图；

图4为螺杆式物料配料机外形结构图；

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为振动杆结构示意图；

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、螺旋输送器 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、振动杆 19、料位面 20、停靠指向点 21、扫描线 22、混料器 23、下料管

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

101、抽板 181、支柱 182、云台 183、振动器 184、振杆 185、颗粒凸起 186、振杆轨迹

201、螺杆箱 202、输送螺杆 203、连接器 204、电机

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，本发明采用基于机器学习的螺杆式物料配料机控制器，所述控制器包括信号采集模块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7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...7。

参见图3、图4所示，本发明基于机器学习的螺杆式物料配料机控制方法，用来对螺杆式物料配料机进行准确的下料控制。所述螺杆式物料配料机，其包括下料仓1、螺旋输送器2、计量斗3、称重模块4、落料阀5、混料斗6，以及控制器9。螺杆式物料配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和螺旋输送器2对应。

下料仓1底部有一个抽板101，下料时抽板打开，物料从下料仓底部开口处流出。螺旋输送器2包括螺杆箱201、输送螺杆202、连接器203和电机204，电机204的外壳通过连接器203与螺杆箱201相连，位于螺杆箱201内的输送螺杆202通过轴套与电机204的轴相连；螺杆箱201上表面相对下料仓1底部开口处有一进料口，其与电机相对的另一端部连接到下料管23，下料管23固定在机架30上。

结合图3和图4所示，下料时，控制抽板101打开，物料从下料仓1落入螺旋输送器2的螺杆箱201中，同时起动电机204，输送螺杆202随电机一起旋转，将物料输送到端部的下料管23，并从下料管23落入下方的计量斗3中。

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位于下料管23的下部，多个螺旋输送器2相对下料管23及计量斗4的中心呈径向分布。

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，控制器9，还可以包括一个输入模块，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，而是包括了物料冲击量的作用；而且在关闭电机后，从螺旋输送器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螺旋输送器的方法来进行下料配料控制。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从螺旋输送器2中落下，螺旋输送器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为螺旋输送器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，总结出对螺杆式物料配料机，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及螺旋输送器的螺旋叶片直径D、螺距S和螺杆最大转速v_R。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，从而通过提前关闭螺旋输送器来进行准确的下料，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及螺旋输送器的螺旋叶片直径D、螺距S和螺杆最大转速v_R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7个节点，其中物料密度ρ及螺旋输送器的螺旋叶片直径D、螺距S和螺杆最大转速是确定值，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。

结合图1和图2所示，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螺旋输送器到计量斗之间形成连续的物料流时，持续下料一段时间，在关闭螺旋输送器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，则在关闭螺旋输送器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，每次关闭螺旋输送器时刻可以设定为从螺旋输送器起动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7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螺旋输送器进行关停控制：

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，关闭螺旋输送器。

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，关闭螺旋输送器，其中E为本组份当前累积下料误差。

作为优选，控制器采用如下方式对螺旋输送器的运转速度进行控制：

A、从停止状态以μ·a_max加速度起动，当速度达到λ·v_R时保持速度不变；

B、当关闭时间到时，以μ·a_max加速度开始减速，直至停止；

其中，a_max为螺旋输送器的螺杆额定最大加速度，v_R为最大速度，μ为(0.5～0.9)之间的加速度系数，λ为(0.85～1.0)之间的速度系数；

所述关闭时间是指，当前从称重模块读取到的已下料重量等于：

其中，Ws和Wa分别为当前物料一次下料量和空中量预测值，d为螺杆以最大速度运转时螺旋输送器的下料速率，t_s为减速停止时间长度，t_s＝λ·v_R/μ·a_max。

离线获取训练样本和在线应用神经网络时，对螺旋输送器均采用这同一种转速控制。训练样本的7个输入量中，要预先设置物料密度及螺旋输送器的螺旋叶片直径、螺距和螺杆最大转速。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。

斗位传感器可以类似仓位传感器进行设置。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。

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，为了减小下料仓中落料率的波动幅度，从而更好地进行***建模和空中量预测，本发明所应用于的物料配料机，其采用距离传感器型仓位传感器和可旋转振动杆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，保证物料密实度和落料形态的稳定。

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，其转速按下式进行控制：

其中，V_进0为一设定最大进料速度，l为下料仓当前料位，L_M和L_m分别为所预设的在L_T附近的最高、最低料位。

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，控制器通过配料机在下料仓1侧壁上安装的一个振动杆18来改善物料的分布。振动杆18包括依次相连的支柱181、云台182、振动器183、振杆184，在振动器183底部有弹簧缓冲器，振杆184表面分布有颗粒凸起185，云台182能进行俯仰和旋转，使得振杆184在下料仓1内做曲线运动。

下料过程中，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检测射线与竖直方向倾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，控制器命令振动杆动作，通过云台的运转，其振杆从起点开始经料位高点区域到料位低点区域，做蛇形搅动，振杆124尾端在下料仓1内的振杆轨迹126如图7所示；同时，振动器起振，振杆上的颗粒凸起带动周边的颗粒，从而破除偶尔形成的板结或料拱，使物料分布恢复均匀。通过对物料分布的动态检测和控制，减小物料密实度的波动，从而保证单位时间充填量的稳定。在振动杆动作的同时，暂停下料，且将抽板关上。

如图8所示，本发明通过距离传感器和振动杆的检测与动作配合，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，改善了物料的分布。

控制器作为整个螺杆式物料配料机的控制中心，在多组份物料下料过程中，控制器依次控制各螺旋输送器动作，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900ms时长物料下落过程中称重模块读数的变化曲线，其中，横坐标为关闭螺旋输送器后的延时时间。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，在螺旋输送器关闭约700ms后空中物料才完全落入计量斗，称重模块读数趋于稳定。

应用本发明控制方法进行下料控制，先离线对各螺旋输送器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 (8)

1.基于机器学习的螺杆式物料配料机控制方法，其包括以下步骤：

S1、建立神经网络模块：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、物料密度及螺旋输送器的螺旋叶片直径、螺距和螺杆最大转速7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；

S2、获取训练样本：用螺杆式物料配料机重复下料，每次下料开始后，当物料从下料仓底部螺旋输送器到计量斗之间形成连续的物料流时，再持续下料一段时间，在关闭螺旋输送器时实时读取称重模块初始重量读数W并由处理模块获取输入量的值，等待物料下落完毕后读取称重模块重量读数WD，则在关闭螺旋输送器时刻的状态下的空中量为A＝WD-W，以A作为样本输出量的空中量实际值；

S3、离线训练神经网络：基于所获取的训练样本，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，采用梯度下降法迭代调整神经网络的连接权值；

S4、在线下料控制：

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，得到下料仓料位、空中落差、落料率；

利用训练好的神经网络对空中量进行预测得到预测值yA并传送给处理模块，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螺旋输送器的关闭时刻进行控制；

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；

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；

所述输出模块还连接到安装在机架靠近下料仓侧壁处的振动杆，并根据处理模块的指令控制振动杆的起停和运转；

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，所述输出模块还分别连接到所述混料斗底部的推板和安装在混料斗中的混料器，并根据处理模块的指令分别控制推板和混料器的起停。

2.根据权利要求1所述的基于机器学习的螺杆式物料配料机控制方法，其特征在于：

所述在线下料控制过程中，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)时，关闭螺旋输送器。

3.根据权利要求1所述的基于机器学习的螺杆式物料配料机控制方法，其特征在于：

所述获取训练样本过程中，使训练样本覆盖足够多的下料状态，每次关闭螺旋输送器时刻设定为从称重模块初始重量读数为某个确定值时刻之后的随机值。

4.根据权利要求1所述的基于机器学习的螺杆式物料配料机控制方法，其特征在于：

所述在线下料控制过程中，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，关闭螺旋输送器，其中E为本组份当前累积下料误差。

5.根据权利要求1所述的基于机器学习的螺杆式物料配料机控制方法，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，其中进料泵转速按下式进行控制：

其中，V_进0为一设定最大进料速度，l为下料仓当前料位，L_M和L_m分别为所预设的最高、最低下料仓料位。

6.根据权利要求1～5任何一项所述的基于机器学习的螺杆式物料配料机控制方法，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，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选取；j＝1，2，...m，i＝1，2，...7，隐含层及承接层节点数m在11～20之间选择。

7.根据权利要求6所述的基于机器学习的螺杆式物料配料机控制方法，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配料机的一个螺旋输送器。

8.根据权利要求1所述的基于机器学习的螺杆式物料配料机控制方法，其特征在于，所述输出模块采用如下方式对螺旋输送器的运转速度进行控制：

A、从停止状态以μ·a_max加速度起动，当速度达到λ·v_R时保持速度不变；

B、当关闭时间到时，以μ·a_max加速度开始减速，直至停止；

其中，a_max为螺旋输送器的螺杆额定最大加速度，v_R为最大速度，μ为(0.5～0.9)之间的加速度系数，λ为(0.85～1.0)之间的速度系数；

所述关闭时间是指，当前从称重模块读取到的已下料重量等于：

其中，Ws和Wa分别为当前物料一次下料量和空中量预测值，d为螺杆以最大速度运转时螺旋输送器的下料速率，t_s为减速停止时间长度，t_s＝λ·v_R/μ·a_max。