1.基于机器学习的直落式物料下料机控制方法，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、物料密度及下料阀开口孔径5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：用直落式物料下料机重复下料，每次下料开始后，当物料从下料仓底部下料阀到计量斗之间形成连续的物料流时，再持续下料一段时间，在关闭下料阀时实时读取称重模块初始重量读数W并由处理模块获取神经网络各输入量的值，等待物料下落完毕后读取称重模块重量读数WD，则在关闭阀门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下料阀的关阀时刻进行调节。

2.根据权利要求1所述的基于机器学习的直落式物料下料机控制方法，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，每次关闭阀门时刻可以设定为从下料阀打开时刻之后的某个随机值。

3.根据权利要求1所述的基于机器学习的直落式物料下料机控制方法，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，关闭下料阀。

4.根据权利要求1所述的基于机器学习的直落式物料下料机控制方法，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，关闭下料阀，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直落式物料下料机控制方法，其特征在于：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；

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下料仓侧壁的搅拌器，并根据处理模块的指令控制搅拌器的起停和运转；

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安装在混料斗中的混料器和混料斗底部的推板，并根据处理模块的指令分别控制混料器及推板的启闭和运转。

6.根据权利要求1～5任何一项所述的基于机器学习的直落式物料下料机控制方法，其特征在于，所述神经网络的模型为：xck(t)＝xk(t-mod(k，q)-1)，

其中，mod为求余函数，f( )函数取为sigmoid函数；xck(t)为承接层输出，xj(t)为隐含层输出，ui(t-1)和y(t)分别为输入层输入和输出层输出，ωj、ωjk和ωji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θj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...5，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。

7.根据权利要求6所述的基于机器学习的直落式物料下料机控制方法，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下料机的一个下料阀。