-
公开(公告)号：CN107544252B
公开(公告)日：2020-08-11
申请号：CN201710905608.2
申请日：2017-09-19
Applicant: 中国计量大学
IPC: G05B13/04
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。
-
公开(公告)号：CN107741695B
公开(公告)日：2020-05-05
申请号：CN201710905607.8
申请日：2017-09-19
Applicant: 中国计量大学
IPC: G05B13/04
Abstract: 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。
-
公开(公告)号：CN110697449A
公开(公告)日：2020-01-17
申请号：CN201910845752.0
申请日：2017-09-19
Applicant: 中国计量大学
Abstract: 本发明公开了一种基于神经网络的螺杆失重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、存储模块和输出模块。神经网络模块基于下料仓的料位、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对物料失重值进行预测，从而调节螺旋输送器的关闭时间。基于神经网络对下料称重进行建模，本发明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，从而可实现直接精确下料控制且适用于小批量生产；还结合仓位传感器的检测和振动杆的控制对下料仓内的物料堆积形态进行调节，减小了落料率波动；通过对下料累积误差的控制，减小了批量下料的总误差；又由于螺杆可保持高运转速度而提升了下料效率。
-
公开(公告)号：CN107741695A
公开(公告)日：2018-02-27
申请号：CN201710905607.8
申请日：2017-09-19
Applicant: 中国计量大学
IPC: G05B13/04
Abstract: 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。
-
公开(公告)号：CN107661728A
公开(公告)日：2018-02-06
申请号：CN201710905520.0
申请日：2017-09-19
Applicant: 中国计量大学
Abstract: 本发明公开了基于变速率学习的直落式物料配料装置及其控制器，所述配料装置包括机架、多组下料仓和下料阀、含分料器的计量斗、称重模块、落料阀、混料斗和控制器，在下料仓侧壁和机架上分别安装有距离传感器和振动杆，混料斗内有料位传感器和混料器。基于单次和累积下料误差，控制器通过迭代学习对下料阀进行控制，迭代过程中基于下料误差的变化分别对单次和累积下料误差的学习因子进行动态调整。本发明采用距离传感器和振动杆对下料仓内的物料堆积进行检测和调节，保证落料形态稳定，学习因子能自动调整优化，与现有技术相比，本装置不需要对参数反复试凑，能快捷地获得收敛性能较好的迭代式，且在迭代学习过程中的落料能被有效利用。
-
Patent Agency Ranking
公开(公告)号：CN106672357A
公开(公告)日：2017-05-17
申请号：CN201611041090.4
申请日：2016-11-22
Applicant: 中国计量大学
IPC: B65B69/00
CPC classification number: B65B69/0008 , B65B69/0033
Abstract: 本发明公开了一种自动拆包卸料方法，采用传送带传送料包，并在其上设置用于检测料包的料包传感器和与磁针头部相配合的磁针头配体；待料包传送至预定位置时，采用切割机构以对料包进行切割拆包；在所述传送带的上方设置有吊袋机构，并在其上依次设有磁针出射机构和与磁针尾部相配合的磁针尾配体；磁针在初始状态下，位于磁针出射机构中，并在完成切割拆包后的料包传送过程中，由料包传感器检测到料包的位置后，由磁针出射机构射出磁针至料包上，磁针头部与所述磁针头配体相配合；再由吊袋机构上的磁针尾配体将磁针吸起，实现将料包吊起。本发明实现了自动拆包，不会对颗粒料产生包装袋碎屑污染；实现了无残留落料，防止了原料浪费。
-
公开(公告)号：CN110694544B
公开(公告)日：2021-08-17
申请号：CN201910845751.6
申请日：2017-09-19
Applicant: 中国计量大学
Abstract: 本发明公开了基于变速率学习的直落式物料配料装置控制器，其包括输入模块、存储模块、输出模块和处理模块，处理模块又包括预测模块、重量监测模块、误差计算模块及逻辑控制模块。基于上一次空中量预测值、单次和累积下料误差，处理模块通过迭代学习对下料阀进行控制，迭代过程中基于下料误差的变化分别对单次和累积下料误差的学习因子进行动态调整。本发明基于距离传感器和称重模块的检测，通过振动杆对下料仓内的物料堆积进行调节，保证落料形态稳定；学习因子能自动调整优化，与现有技术相比，本发明使得配料控制不需要对参数反复试凑，能快捷地获得收敛性能较好的迭代式，且在迭代学习过程中的落料能被有效利用。
-
公开(公告)号：CN110697449B
公开(公告)日：2021-07-02
申请号：CN201910845752.0
申请日：2017-09-19
Applicant: 中国计量大学
Abstract: 本发明公开了一种基于神经网络的螺杆失重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、存储模块和输出模块。神经网络模块基于下料仓的料位、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对物料失重值进行预测，从而调节螺旋输送器的关闭时间。基于神经网络对下料称重进行建模，本发明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，从而可实现直接精确下料控制且适用于小批量生产；还结合仓位传感器的检测和振动杆的控制对下料仓内的物料堆积形态进行调节，减小了落料率波动；通过对下料累积误差的控制，减小了批量下料的总误差；又由于螺杆可保持高运转速度而提升了下料效率。
-
公开(公告)号：CN110694544A
公开(公告)日：2020-01-17
申请号：CN201910845751.6
申请日：2017-09-19
Applicant: 中国计量大学
Abstract: 本发明公开了基于变速率学习的直落式物料配料装置控制器，其包括输入模块、存储模块、输出模块和处理模块，处理模块又包括预测模块、重量监测模块、误差计算模块及逻辑控制模块。基于上一次空中量预测值、单次和累积下料误差，处理模块通过迭代学习对下料阀进行控制，迭代过程中基于下料误差的变化分别对单次和累积下料误差的学习因子进行动态调整。本发明基于距离传感器和称重模块的检测，通过振动杆对下料仓内的物料堆积进行调节，保证落料形态稳定；学习因子能自动调整优化，与现有技术相比，本发明使得配料控制不需要对参数反复试凑，能快捷地获得收敛性能较好的迭代式，且在迭代学习过程中的落料能被有效利用。
-
公开(公告)号：CN107720311B
公开(公告)日：2019-09-24
申请号：CN201710863072.2
申请日：2017-09-19
Applicant: 中国计量大学
Abstract: 本发明公开了基于神经网络的螺杆失重式物料下料机及其控制器，所述下料机包括机架、下料仓和螺旋输送器、混料斗、称重模块、落料阀及控制器。控制器中采用神经网络模块，基于下料仓的料位、落料率、物料密度及螺旋输送器的螺旋叶片直径、螺距和螺杆最大转速对物料失重值进行预测，从而调节螺旋输送器的关闭时间。本发明采用神经网络对下料称重进行建模，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；采用仓位传感器和振动杆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；通过对下料累积误差的控制，减小了批量下料的总误差；又由于螺杆可保持高运转速度而提升了下料效率。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.033 seconds)
