[發明專利]基于機器學習的直落式物料下料機控制器

有效

• 申請號: 201710905608.2
• 申請日: 2017-09-19
• 公開（公告）號: CN107544252B
• 公開（公告）日: 2020-08-11
• 發明（設計）人: 鄒細勇;王月真;余夢露
• 申請（專利權）人: 中國計量大學
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于機器學習的直落式物料下料機控制器，其包括信號采集模塊、處理模塊、神經網絡模塊、迭代學習模塊、存儲模塊、第一連接陣、第二連接陣和輸出模塊，所述信號采集模塊分別通過下料倉中倉位傳感器、計量斗中斗位傳感器和承載計量斗的稱重模塊來實時采集下料倉料位、計量斗料位、下落物料重量的傳感信號并傳輸給處理模塊進行數據處理與分析，存儲器用于數據保存；

所述輸出模塊還連接到混料斗底部的推板，并根據處理模塊的指令控制推板的啟閉，所述混料斗位于落料閥下方；

所述神經網絡模塊采用動態遞歸Elman神經網絡，其輸入層分別從處理模塊接收下料倉料位、空中落差、落料率、物料密度及下料閥開口孔徑5個輸入量，輸出層的輸出量分別通過第一連接陣和第二連接陣傳輸至迭代學習模塊和處理模塊；

離線訓練所述神經網絡時，迭代學習模塊根據處理模塊和神經網絡分別通過第一連接陣輸入的物料空中量實際值和網絡輸出值，調整神經網絡的連接權值；

在線控制下料時，第一連接陣斷開，神經網絡對空中量yA進行預測并經第二連接陣輸出給處理模塊，由處理模塊處理分析后通過輸出模塊對下料倉底部開口處的下料閥進行關閥控制；

并且，所述的下料閥關閥控制過程中，假設當前組份的一次下料量為Ws，開始下料時，控制器通過讀取稱重模塊的傳感值，獲得計量斗的初始重量為G0；之后，控制器不斷讀取稱重模塊的傳感值，當該值達到(G0+Ws-yA-E)時，關閉下料閥，其中E為本組份當前累積下料誤差。

2.根據權利要求1所述的基于機器學習的直落式物料下料機控制器，其特征在于：所述輸出模塊還連接到計量斗底部開口處的落料閥，并根據處理模塊的指令控制落料閥的啟閉。

3.根據權利要求1所述的基于機器學習的直落式物料下料機控制器，其特征在于：所述信號采集模塊還通過所述混料斗中的一個料位傳感器采集混料斗中的料位。

4.根據權利要求1所述的基于機器學習的直落式物料下料機控制器，其特征在于：所述輸出模塊還連接到串在儲料倉與下料倉之間的進料泵，并根據處理模塊的指令控制進料泵的起停和運轉。

5.根據權利要求1所述的基于機器學習的直落式物料下料機控制器，其特征在于：所述輸出模塊還連接到下料倉中倉位傳感器的可旋轉底座，并根據處理模塊的指令控制該底座的運轉。

6.根據權利要求1所述的基于機器學習的直落式物料下料機控制器，其特征在于：所述輸出模塊還連接到安裝在下料倉側壁的攪拌器，并根據處理模塊的指令控制攪拌器的起停和運轉。

7.根據權利要求1所述的基于機器學習的直落式物料下料機控制器，其特征在于：所述輸出模塊還連接到安裝在混料斗中的混料器，并根據處理模塊的指令控制混料器的起停。

8.根據權利要求1～7任何一項所述的基于機器學習的直落式物料下料機控制器，其特征在于，所述神經網絡的模型為：

xc_k(t)＝x_k(t-mod(k，q)-1)，

其中，mod為求余函數，f()函數取為sigmoid函數；xc_k(t)為承接層輸出，x_j(t)為隱含層輸出，x_k(t)為x_j(t)所組成向量的分量，u_i(t-1)和y(t)分別為輸入層輸入和輸出層輸出，ω_j、ω_jk和ω_ji分別為隱含層到輸出層的連接權值、承接層到隱含層的連接權值和輸入層到隱含層的連接權值，θ和θ_j分別為輸出層和隱含層閾值；k＝1，2…m，q為所選定的回歸延時尺度，根據采樣周期和下料速率優選；j＝1，2…m，i＝1，2…5，隱含層及承接層節點數m在11～20之間選擇；

所述訓練采用梯度下降法。

9.根據權利要求8所述的基于機器學習的直落式物料下料機控制器，其特征在于：所述的神經網絡模塊有多個，每個神經網絡模塊對應下料機的一個下料閥。