[发明专利]基于机器学习的直落式物料下料机控制方法

说明书

本发明公开了基于机器学习的直落式物料下料机控制方法，先在控制器中建立神经网络，将下料仓料位、空中落差、落料率、物料密度及下料阀开口孔径5个输入量映射为直落式物料下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。

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。