1.基于神经网络的螺杆失重式物料下料方法，包括以下步骤：

S1、在控制器中建立神经网络模块，采用神经网络将下料仓的料位、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6个输入量映射为下落物料失重值；

S2、用螺杆失重式物料下料机重复下料，获取训练样本，利用所获取的样本离线训练神经网络；

S3、基于训练好的神经网络，控制器在线进行下料控制：

S31、根据一次量和各配方比例，确定各组份的一次下料量Ws，将当前组份设定为第一种组份；

S32、对当前组份从下料仓开始下料，控制器通过信号采集模块读取支撑下料仓的称重模块的传感值，记录下料仓的初始重量G0；

信号采集模块分别通过下料仓中仓位传感器和承载下料仓的称重模块来实时采集传感信号，经处理模块处理后利用神经网络对下落物料失重值进行预测得到预测值yL；

S33、当检测到下料仓重量达到(G0-Ws-yL)时，通过输出模块关闭螺旋输送器；

S34、更换下料组份，如果全部组份下料完毕，则转下一步，否则，转至步骤S32；

S35、通过输出模块打开混料斗底部的落料阀，使得多组份物料组成的一次配方量物料落入混料斗，通过信号采集模块读取混合料仓中混合料位传感器的状态，若检测到料位超过设定阈值，则通过输出模块命令混合料仓中匀料器旋转搅拌，将多组份物料混合均匀后，通过输出模块打开混合料仓底部的推板，将混合物料从推板下的输料管输出；

S36、如果预设下料批次已经完成，则结束下料；否则，将组份设定为第一种组份，转步骤S32。

2.根据权利要求1所述的基于神经网络的螺杆失重式物料下料方法，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，每次下料开始后，当物料从下料仓底部螺旋输送器到混料斗之间形成连续的物料流时，再持续下料一段时间，在称重模块初始重量读数为某个确定值时刻之后的随机值时关闭螺旋输送器。

3.根据权利要求1所述的基于神经网络的螺杆失重式物料下料方法，其特征在于：所述在线下料控制过程中，除了下落物料失重预测值，还要对当前累积下料误差进行补偿，即在步骤S33中当检测到下料仓重量达到(G0-Ws-yL+E)时，关闭螺旋输送器，其中E为本组份当前累积下料误差。

4.根据权利要求1所述的基于神经网络的螺杆失重式物料下料方法，其特征在于：所述控制器的输出模块还连接到混料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；

所述控制器的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；

所述控制器的输出模块还连接到安装在下料仓侧壁的振动杆，并根据处理模块的指令控制振动杆的运转；

所述控制器的输出模块还连接到安装在混料斗内壁的混料器，并根据处理模块的指令控制混料器的运转。

5.根据权利要求4所述的基于神经网络的螺杆失重式物料下料方法，其特征在于：旋转仓位传感器底座，并通过称重模块对下料速率进行实时跟踪，当发现下料仓物料面分布超出设定范围，或者发现单位时间下料速率波动超过设定阈值如5％后，控制器命令下料仓中振动杆动作，调整下料仓内的物料堆积形态。

6.根据权利要求1所述的基于神经网络的螺杆失重式物料下料方法，其特征在于：所述控制器的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，其中进料泵转速按下式进行控制：其中，V进0为一设定最大进料速度，l为下料仓当前料位，LM和Lm分别为所预设的最高、最低下料仓料位。

7.根据权利要求1～6任何一项所述的基于神经网络的螺杆失重式物料下料方法，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＝3；j＝＝1，2...m，i＝1，2...6，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。

8.根据权利要求1所述的基于神经网络的螺杆失重式物料下料方法，其特征在于，所述控制器采用如下方式对螺旋输送器的运转速度进行控制：A、从停止状态以μ·amax加速度起动，当速度达到λ·vR时保持速度不变；

B、当关闭时间到时，以μ·amax加速度开始减速，直至停止；

其中，amax为螺旋输送器的螺杆额定最大加速度，vR为最大速度，μ为(0.5～0.9)之间的加速度系数，λ为(0.85～1.0)之间的速度系数；

所述关闭时间是指，当前从称重模块读取到的已下料重量等于：

其中，Ws和Wa分别为当前物料一次下料量和下落物料失重预测值，d为螺杆以最大速度运转时螺旋输送器的下料速率，ts为减速停止时间长度：ts＝λ·vR/μ·amax。

9.根据权利要求1所述的基于神经网络的螺杆失重式物料下料方法，其特征在于：所述神经网络采用动态递归Elman神经网络，且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螺旋输送器。