基于神经网络的直落失重式物料下料机及其控制器制造技术

本发明专利技术公开了基于神经网络的直落失重式物料下料机及其控制器，所述下料机包括机架、下料仓和下料阀、混料斗、称重模块、落料阀、混合料仓和控制器；在下料仓内安装有仓位传感器和搅拌器，混料斗内有混料器。控制器中采用神经网络模块，基于下料仓的料位、落料率、物料密度及下料阀开口孔径对物料失重值进行预测，从而对下料阀的关闭时间进行调节。本发明专利技术采用神经网络对下料中的称重行为进行建模，训练后的网络能对不同落料状态下的下落物料失重值进行准确预测，从而可直接精确下料且适用于小批量生产；采用仓位传感器和搅拌器对下料仓内的物料堆积形态进行检测和调节，减小了落料率波动；又通过对下料累积误差的控制，减小了批量下料的总误差。

Straight neural network weight loss type material feeding machine and its controller based on

The invention discloses a straight neural network weight type material feeding machine and its controller based on the cutting machine comprises a frame, and the bunker discharge valve, mixing hopper, weighing module, feeding valve, mixing silo and controller; a position sensor and a stirring device is arranged in the lower hopper, the hopper of a mixed mixer. The neural network module is adopted in the controller, and the material weightlessness value is forecasted based on the material position, blanking rate, material density and the opening aperture of the unloading valve, so as to adjust the closing time of the unloading valve. The invention adopts the neural network modeling of the behavior of weighing material, after training the network of different materials under the condition of weightlessness. The value of accurate prediction, which can direct accurate cutting and is suitable for small batch production; the material position sensor and agitator on under the hopper detection and accumulation form regulation, reduce the blanking rate fluctuations; and by controlling the accumulation of material errors, reduce the total error of bulk materials.

【技术实现步骤摘要】
基于神经网络的直落失重式物料下料机及其控制器
本专利技术涉及定量下料领域，具体涉及一种基于神经网络的直落失重式物料下料机及其控制器。
技术介绍
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，从称重计量方法的不同其又可分为增量式与失重式两种。增量式对不断下落到计量斗中的物料进行称重，这种方式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，由于物料是连续下落的，当下料阀门关闭时，仍有部分物料在空中。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。相比于增量式，失重式称重方式通过不断称取料仓重量来计量下落物料的重量，从而避开了空中物料的问题。如申请号为200710142591.6、201010108011.3和201310178558.4的中国专利，均通过称重仓重量减小的计算来对下落物料进行计量，这些方案虽然无需考虑空中量，但由于未考虑物料从下料阀门落下时的失重效应而影响了称重计量的精度，不能满足高精度下料的要求，并且这些方案只能连续下料而不能直接应用于按批次的下料。相比以往的失重式计量下料，如果能通过对影响下落物料失重等效值各种因素的分析来构造一种非线性映射，则可以基于这种映射对失重式称重过程中物料的实际下料量进行计量。
技术实现思路
传统的失重秤是通过在工作时控制重量损失的原理实现计量的，对出料装置和称重料斗进行称重，根据失重秤计量斗内每单位时间内物料重量的减少ΔG/Δt来计算失重秤的给料流量。以往的失重称重方法，虽然是通过差分方法来获得流量，但是在两次差分之间的落料流率变化、物料粘结、以及环境如振动等因素的影响，都会影响差分结果的准确性。从下料方式来分析，普通失重称重计量一般采用螺旋输送机作为出料装置，只能动态调节连续运行时的下料速率，而无法直接进行分批次的间断式下料；失重式称重的称量精度和配料速度这两个参量是两个相互矛盾的控制量，要提高称量精度，希望秤体越稳定越好，即喂料速度越慢越好，但势必增加配料时间，效率低；反之，如果喂料速度过快，精度很难保证。考虑到失重式称重不需要考虑空中量的优势，本专利技术方案将其结合到分批次下料的控制中。但由于下料过程中物料非零速度的下落会对称重计量造成影响，从而使得称重读数不同于静态称重。这种物料非零速度的下落造成的动态冲击，即下落物料失重值，其影响因素很多，如输送装置关闭速度、物料下落形态、流率等，因而通过动态称重来获取静态重量的转换方案难以通过离线实验一次性确定。根据对失重式称重下料过程深入的测试与分析，总结出直落失重式物料下料机其下落物料失重值最主要的影响因素包括：下料仓料位、落料率、物料密度及下料阀开口孔径。下落物料失重值是这些物理量的复杂非线性映射，为了对下落物料失重值进行预测并进而通过调节阀门关闭时间来进行精确的下料，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，由于下料仓料位是逐渐变化的，因此，连续两个采样周期中下落物料失重值之间也有着紧密的联系。为此，本专利技术的控制器中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。本专利技术方案中，基于动态递归Elman神经网络，对下落物料失重值与下料仓料位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下落物料失重值进行准确预测，从而实现高精度下料。本专利技术的技术解决方案是，提供一种以下结构的基于神经网络的直落失重式物料下料机，包括：机架、下料仓、下料阀、混料斗、称重模块、落料阀、混合料仓和控制器；所述下料阀位于下料仓的底部开口处，所述下料仓和下料阀为2～6组，所述下料仓安装在固定于机架的称重模块上，其内部有一个仓位传感器，位于下料阀下方的所述混料斗，其底部开口受落料阀控制，且其内壁上安装有一个混料器；所述混合料仓位于落料阀下方，且其底部有一个推板；所述控制器含有采用动态递归Elman神经网络的神经网络模块，且每一个下料阀都有一个神经网络模块对应，每个神经网络模块将所对应下料仓的料位、落料率、物料密度及下料阀开口孔径4个输入量映射为下落物料失重值；控制器通过神经网络模块对下落物料失重值进行预测并基于该预测值修正下料量后对下料阀的关闭时间进行调节；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，然后在检测到混合料仓中的物料累积到设定值后，打开推板，将混合均匀的物料排出。作为优选，其还包括一个储料仓和进料泵，所述进料泵后端进料管的出口有一个物料喷头，所述物料喷头为球冠形，其表面分布有圆形小孔。作为优选，所述仓位传感器安装在在下料仓近机架中心的一个顶角上，且其底部有一个旋转底座。作为优选，所述仓位传感器采用距离传感器。作为优选，所述下料仓的侧壁还安装有一个搅拌器，所述搅拌器包括依次相连的底座、两个支臂、连接两个支臂的支臂转轴、爪手转轴和爪手。作为优选，所述混合料仓的侧壁上安装有一个混合料位传感器，其内部还有一个匀料器，所述匀料器采用螺旋形桨叶，所述推板下方还有一个输料管。作为优选，所述混料器包括依次相连的混料底座、两个混料支臂、以及连接两个混料支臂的混料支臂转轴、混料爪手转轴和混料爪手。作为优选，所述混料器包括混料转轴、安装在混料转本文档来自技高网...

【技术保护点】
基于神经网络的直落失重式物料下料机，其包括机架、下料仓、下料阀、混料斗、称重模块、落料阀、混合料仓和控制器；所述下料阀位于下料仓的底部开口处，所述下料仓和下料阀为2～6组，所述下料仓安装在固定于机架的称重模块上，其内部有一个仓位传感器，位于下料阀下方的所述混料斗，其底部开口受落料阀控制，且其内壁上安装有一个混料器；所述混合料仓位于落料阀下方，且其底部有一个推板；所述控制器含有采用动态递归Elman神经网络的神经网络模块，且每一个下料阀都有一个神经网络模块对应，每个神经网络模块将所对应下料仓的料位、落料率、物料密度及下料阀开口孔径4个输入量映射为下落物料失重值；控制器通过神经网络模块对下落物料失重值进行预测并基于该预测值修正下料量后对下料阀的关闭时间进行调节；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，然后在检测到混合料仓中的物料累积到设定值后，打开推板，将混合均匀的物料排出。

【技术特征摘要】
1.基于神经网络的直落失重式物料下料机，其包括机架、下料仓、下料阀、混料斗、称重模块、落料阀、混合料仓和控制器；所述下料阀位于下料仓的底部开口处，所述下料仓和下料阀为2～6组，所述下料仓安装在固定于机架的称重模块上，其内部有一个仓位传感器，位于下料阀下方的所述混料斗，其底部开口受落料阀控制，且其内壁上安装有一个混料器；所述混合料仓位于落料阀下方，且其底部有一个推板；所述控制器含有采用动态递归Elman神经网络的神经网络模块，且每一个下料阀都有一个神经网络模块对应，每个神经网络模块将所对应下料仓的料位、落料率、物料密度及下料阀开口孔径4个输入量映射为下落物料失重值；控制器通过神经网络模块对下落物料失重值进行预测并基于该预测值修正下料量后对下料阀的关闭时间进行调节；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，然后在检测到混合料仓中的物料累积到设定值后，打开推板，将混合均匀的物料排出。2.根据权利要求1所述的基于神经网络的直落失重式物料下料机，其特征在于：其还包括一个储料仓和进料泵，所述进料泵后端进料管的出口有一个物料喷头，所述物料喷头为球冠形，其表面分布有圆形小孔。3.根据权利要求1所述的基于神经网络的直落失重式物料下料机，其特征在于：所述仓位传感器安装在在下料仓近机架中心的一个顶角上，且其底部有一个旋转底座。4.根据权利要求1所述的基于神经网络的直落失重式物料下料机，其特征在于：所述下料仓的侧壁还安装有一个搅拌器，所述搅拌器包括依次相连的底座、两个支臂、连接两个支臂的支臂转轴、爪手转轴和爪手。5.根据权利要求1所述的基于神经网络的直落失重式物料下料机，其特征在于：所述混合料仓的侧壁上安装有一个混合料位传感器，其内部还有一个匀料器，所述匀料器采用螺旋形桨叶，所述推板下方还有一个输料管。6.根据权利要求1所述的基于神经网络的直落失重式物料下料机，其特征在于：所述混料器包括依次相连的混料底座、两个混料支臂、以及连接两个混料支臂的混料支臂转轴、混料爪手转轴和混料爪手。7.根据权利要求1所述的基于神经网络的直落失重式物料下料机，其特征在于：所述混料器包括混料转轴、安装在混料转轴上的混料转盘和螺旋叶片，以及支撑混料转轴的混料撑架。8.根据权利要求1～7任何一项所述的基于神经网络的直落失重式物料下料机，其特征在于...

【专利技术属性】
技术研发人员：邹细勇，朱力，穆成银，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：浙江,33