1.一种物料称重与输送控制方法，其特征在于，包括：

获取位置传感器1输出、位置传感器2输出和重量传感器输出，位置传感器1用于测量卸料门的开度，位置传感器2用于测量储料门的开度，重量传感器用于测量称量斗的物料重量；

构建物料称重与输送控制模型：

所述物料称重与输送控制模型包括物料称重参数预测模型1-3、参数控制器1-3、Transformer神经网络模型-GWO的Elman神经网络模型1-2和Transformer神经网络模型-GWO的模糊递归神经网络模型；

物料给定重量值与物料称重参数预测模型1输出的误差和误差变化率作为参数控制器1的输入，物料给定重量值作为Transformer神经网络模型-GWO的模糊递归神经网络模型的对应输入，参数控制器1输出与Transformer神经网络模型-GWO的模糊递归神经网络模型输出的物料重量的扰动控制量的累加和分别作为Transformer神经网络模型-GWO的Elman神经网络模型1和Transformer神经网络模型-GWO的Elman神经网络模型2的对应输入；

位置传感器2输出分别作为物料称重参数预测模型3的输入、Transformer神经网络模型-GWO的Elman神经网络模型1的对应输入和Transformer神经网络模型-GWO的模糊递归神经网络模型的对应输入；位置传感器1输出分别作为物料称重参数预测模型2的输入、Transformer神经网络模型-GWO的Elman神经网络模型2的对应输入和Transformer神经网络模型-GWO的模糊递归神经网络模型的对应输入；重量传感器输出分别作为物料称重参数预测模型1的输入、Transformer神经网络模型-GWO的Elman神经网络模型1的对应输入、Transformer神经网络模型-GWO的Elman神经网络模型2的对应输入和Transformer神经网络模型-GWO的模糊递归神经网络模型的对应输入；

Transformer神经网络模型-GWO的Elman神经网络模型1输出与物料称重参数预测模型3输出的误差和误差变化率作为参数控制器3的输入，参数控制器3输出与Transformer神经网络模型-GWO的模糊递归神经网络模型输出的储料门的扰动控制量的累加和作为储料门的控制量；Transformer神经网络模型-GWO的Elman神经网络模型2输出与物料称重参数预测模型2输出的误差和误差变化率作为参数控制器2的输入，参数控制器2输出与Transformer神经网络模型-GWO的模糊递归神经网络模型输出的卸料门的扰动控制量的累加和作为卸料门的控制量。

2.根据权利要求1所述的物料称重与输送控制方法，其特征在于，物料称重参数预测模型包括变分模态分解模型、Transformer神经网络模型-ARIMA模型1-2、Transformer神经网络模型-GWO的Elman神经网络模型1-2、GWO的BiGRU神经网络模型-GWO的模糊递归神经网络模型和TDL按拍延时器；

参数传感器输出分别作为变分模态分解模型和Transformer神经网络模型-ARIMA模型1的输入，变分模态分解模型输出参数趋势值、低频分量和高频分量，其中参数趋势值作为Transformer神经网络模型-ARIMA模型2输入，低频分量作为Transformer神经网络模型-GWO的Elman神经网络模型1输入，高频分量作为Transformer神经网络模型-GWO的Elman神经网络模型2输入；Transformer神经网络模型-ARIMA模型1、Transformer神经网络模型-ARIMA模型2、Transformer神经网络模型-GWO的Elman神经网络模型1、Transformer神经网络模型-GWO的Elman神经网络模型2和TDL按拍延时器的输出分别作为GWO的BiGRU神经网络模型-GWO的模糊递归神经网络模型的对应输入，GWO的BiGRU神经网络模型-GWO的模糊递归神经网络模型输出作为TDL按拍延时器输入，GWO的BiGRU神经网络模型-GWO的模糊递归神经网络模型输出参数传感器输出预测值，作为物料称重参数预测模型输出值。

3.根据权利要求1所述的物料称重与输送控制方法，其特征在于，参数控制器包括Transformer神经网络模型-PID控制器、Transformer神经网络模型-GWO的BiGRU神经网络模型、Transformer神经网络模型-GWO的Elman神经网络模型、Transformer神经网络模型-GWO的模糊递归神经网络模型和GWO的BiGRU神经网络模型-PID控制器；

给定参数目标值与参数反馈值的误差和误差变化率作为Transformer神经网络模型-PID控制器的输入，Transformer神经网络模型-PID控制器输出和Transformer神经网络模型-GWO的Elman神经网络模型输出作为Transformer神经网络模型-GWO的Elman神经网络模型的对应输入，Transformer神经网络模型-GWO的Elman神经网络模型输出与Transformer神经网络模型-PID控制器输出的累加和作为Transformer神经网络模型-GWO的模糊递归神经网络模型输入，参数反馈值作为Transformer神经网络模型-GWO的BiGRU神经网络模型输入，Transformer神经网络模型-GWO的模糊递归神经网络模型输出与Transformer神经网络模型-GWO的BiGRU神经网络模型输出的差和差的变化率作为GWO的BiGRU神经网络模型-PID控制器的输入，GWO的BiGRU神经网络模型-PID控制器输出作为参数控制器输出。

4.一种物料称重与输送控制装置，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，当所述计算机程序被处理器执行时实现权利要求1至3中任一项所述的物料称重与输送控制方法。

5.一种物料称重与输送控制大数据系统，用于实现权利要求1至3中任一项所述的物料称重与输送控制方法，其特征在于，包括物料信息采集终端1-n、物料信息传输端、物料监控端和云服务器，物料信息采集终端用于对物料信息进行实时检测；物料监控端配置有物料称重与输送控制模型，实现对物料进行精确化称量、物料输送控制及对物料参数进行管理、监控；云服务器用于实现物料信息数据的集中存储、管理；物料信息传输端用于实现物料信息采集终端、物料监控端和云服务器之间的信息交互。

6.根据权利要求5所述的物料称重与输送控制大数据系统，其特征在于，物料信息采集终端包括STM32单片机、温度传感器、风速传感器、位置传感器、重量传感器、摄像头和LoRa通信模块，各传感器通过相应的信号调理电路连接STM32单片机，摄像头和LoRa通信模块分别与STM32单片机相连接。

7.根据权利要求6所述的物料称重与输送控制大数据系统，其特征在于，运料装置驱动机构、卸料门动作机构及储料门动作机构分别与STM32单片机相连接。

8.根据权利要求6所述的物料称重与输送控制大数据系统，其特征在于，物料信息传输端包括STM32单片机，以及分别与STM32单片机相连接的LoRa通信模块、NB-IoT模块和USB接口；NB-IoT模块实现网关与云服务器之间的数据双向交互；USB接口连接物料监控端，实现物料信息传输端与物料监控端之间的信息交互；LoRa通信模块用于实现物料信息采集终端与物料信息传输端之间的信息交互。

9.根据权利要求8所述的物料称重与输送控制大数据系统，其特征在于，物料信息采集终端和物料信息传输端基于LoRa通信模块构建自组织通信网络。

10.根据权利要求5所述的物料称重与输送控制大数据系统，其特征在于，物料监控端采用工业控制计算机，物料监控端软件功能包括通信参数设置、物料信息数据分析与数据管理、物料称重与输送控制模型。