CN103205665B - 一种连续热镀锌线锌层厚度自动控制方法 - Google Patents

Abstract

本发明一种连续热镀锌线锌层厚度自动控制方法，该方法采用BP神经网络结构自适应控制器及延迟预估策略实现镀层闭环精确控制，通过采样镀层厚度偏差作为BP神经网络结构自适应控制模型的输入值，通过自适应控制模型中两组加权因子Δw_ij(n)、Δh_j(n)的数据处理，最终产生合理的输出，实时调节气刀压力，最终使镀层厚度设定值与实际采样值之间的偏差变得越来越小；加权因子的学习算法以设定值与实测值之间的偏差最小为原则不断刷新上述加权因子，最终，两组加权因子自适应调整的结果使镀层厚度设定值与实际采样值之间的偏差趋向于零。该方法可以大大降低锌的过度消耗，并改善热镀锌镀层表面质量，提高产品附加值。

Description

一种连续热镀锌线锌层厚度自动控制方法

技术领域

本发明属于轧制过程自动化领域，适用于热镀锌线镀锌工艺与镀层控制技术，特别是处理锌层厚度控制过程强非线性和时变滞后效果非常明显。

背景技术

目前，世界各主要热镀锌工艺厂家在总结生产经验基础上，已形成了一套自己的镀层控制模型，其控制模型主要特点是根据当前的生产条件和控制目标要求，确定当前检测到的发生变化的参数性质，然后使用相应模型计算控制参数设定值，模型结构差不多，均以调节气刀离开带钢的间距与气刀喷嘴吹扫空气的压力参数为主。国内热镀锌的镀层控制起步较晚，武钢、宝钢，其主要控制方式仍采用传统的手工操作结合PID控制策略，控制精度普遍不高。

镀层厚度控制是一个复杂系统，其原因如下：

1)镀层厚度和气刀气压、气刀刀距的关系无法用一简单动态方程式表达，因而难以建立模型；

2)由于生产状况的约束，特别是锌锅高温度影响，造成镀层测厚仪安装位置距离气刀140m，这样存在严重的滞后特点，而普通PID控制对这种大滞后问题是无能为力的，只能考虑采用先进的控制实现；

3)在该系统中，气刀气压调节是通过风机的变频驱动控制，具有很强的非线性；

4)现场对镀层厚度的影响因素比较多，包括：带钢速度、带钢厚度、带钢宽度、气刀角度、气刀高度等，另外干扰因素也比较多，包括：带钢板形、带钢抖动等，对其实现精确控制造成很大影响。

鞍钢热镀锌锌层厚度调整采用传统的手动操作方式，即手动调节设定值的操作方式通常会造成锌层厚度因操作人员的改变而发生偏差的情况。采用手动操作方式的结果便是速度发生细微改变(从50m/min-53m/min)时造成锌层超出设定值，操作人员不能第一时间对气刀做出调整，造成不必要的废品。

经调查G45镀锌线涂层厚度：80～276g/m2；锌总耗量：41,451.4kg，由于人工操作的差异引起锌耗不同，涂层平均偏差为5.5g/m2，其中最大偏差为59.1g/m2，合格率＜2σ值占总产量2.47％。过程特性导致涂层厚度的偏差难以消除，造成锌耗增大。

另外，涂层厚度是多因素作用结果：气刀压力受到气源质量影响，直接改变涂层厚度状态；气刀间隙受到平整度、涂层厚度、带钢摆动-间隙振荡因素的制约；气刀高度与带钢厚度和速度、涂层厚度、锌锅表面品质相关；带钢速度随品种变化；气刀压力的作用效果与涂层厚度目标、带钢宽度和厚度、带钢速度等条件因素，以及气刀位置等操作结果相关。

涂层厚度过程是大纯滞后过程，且滞后时间不确定，带钢速度、宽度、厚度等工艺规格因素影响气刀压力效果，气刀间隙、高度、角度等位置操作以非线性作用关系影响气刀压力作用效果。

现有技术中，锌层厚度闭环控制方式仍采用传统的PID控制，但是由于控制对象存在严重的非线性、时变、大滞后的现象，采用传统PID控制包括扩展PID控制都达不到要求的控制效果。为此，提出一种通过采用锌层厚度自适应控制方法，利用现场实际输入输出数据通过数据驱动原理，建立BP神经网络自适应结合延迟预估补偿算法的反馈控制模型。

发明内容

本发明的目的是提供一种连续热镀锌线锌层厚度自动控制方法，该方法采用BP神经网络结构的自适应控制延迟预估策略形成镀层闭环精确控制，可以大大降低锌的过度消耗，并改善热镀锌镀层表面质量，提高产品附加值。

为实现上述目的，本发明通过以下技术方案实现：

一种连续热镀锌线锌层厚度自动控制方法，该方法采用BP神经网络结构自适应控制器及延迟预估策略实现镀层闭环精确控制，通过采样镀层厚度偏差作为BP神经网络结构自适应控制模型的输入值，通过自适应控制模型中两组加权因子Δw_ij(n)、Δh_j(n)的数据处理，最终产生合理的输出，实时调节气刀压力，最终使镀层厚度设定值与实际采样值之间的偏差变得越来越小；加权因子Δw_ij(n)、Δh_j(n)可以在每个采样间隔通过下述公式在线更新，学习算法以设定值与实测值(过程值)之间的偏差最小为原则不断刷新上述加权因子，最终，两组加权因子自适应调整的结果使镀层厚度设定值与实际采样值之间的偏差趋向于零。

所述的自适应控制模型中两组加权因子Δw_ij(n)、Δh_j(n)的更新算法为：

${\mathrm{\Δw}}_{\mathrm{ij}}\left(n\right)={\mathrm{\ηK}}_c\frac{\∂y\left(n\right)}{\∂u\left(n\right)}e\left(n\right)q_j\left(n\right)(1-q_j\left(n\right))\·E_i\left(n\right)\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{h}_k\left(n\right)---\left(1\right)$

${\mathrm{\Δh}}_j\left(n\right)=\mathrm{\η}{K}_c\frac{\∂y\left(n\right)}{\∂u\left(n\right)}e\left(n\right)q_j\left(n\right)---\left(2\right)$

$p_j\left(n\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}\left(n\right)E_j\left(n\right)+1---\left(3\right)$

u(t)＝K_c(o(t)+e(t))                    (6)

式中，η为学习步长，取值为0.6-1；K_c为控制器增益，取值1-2；e(n)为厚度偏差采样值，其拉氏变换为E(S)；q_j(n)为隐含层的输出结果；E_j(n)为厚度偏差历史数据；

为过程灵敏度。

无模型预估算法得到，

$\widehat{\mathrm{\Φ}}\left(n\right)=\widehat{\mathrm{\Φ}}(n-1)+\frac{{\mathrm{\η}}_k\·\mathrm{\Δu}(n-1)}{\mathrm{\μ}+{\left|\mathrm{\Δu}(n-1)\right|}^2}\·\{\mathrm{\Δy}\left(n\right)-\widehat{\mathrm{\Φ}}(n-1)\·\mathrm{\Δu}(n-1)\}---\left(7\right)$

采用随机接近算法估计过程灵敏度，若采样周期和Δu(k)足够小则，

$\frac{\∂y\left(n\right)}{\∂u\left(n\right)}\≈\frac{\mathrm{\Δy}(n+1)}{\mathrm{\Δu}\left(n\right)}=\widehat{\mathrm{\Φ}}\left(n\right)---\left(8\right)$

式中，μ为适当的常数，取值为1-2；η_k为控制参数。

Δu(k-1)为前一时刻压力输出值的变化量；Δy(n)为当前时刻锌层厚度的变化量。

所述的BP神经网络结构自适应控制系统结合延迟预估器，可解决镀层厚度检测的大滞后问题，实际应用时使用一阶惯性模型代替控制对象，则延迟预估器的计算公式如下：

$Y_c\left(s\right)=Y\left(s\right)+Y_p\left(s\right)=Y\left(s\right)+\frac{K(1-e^{-\mathrm{\τs}})}{\mathrm{TS}+1}U\left(s\right)---\left(9\right)$

式中，Y_c(s)为锌层厚度动态预估反馈信号；Y(s)为实际检测的锌层厚度；Y_p(s)为预测的锌层厚度信号；K，T，τ为控制对象近似一阶惯性模型预估器常数，通常K＝1。

与现有技术相比，本发明的有益效果是：

该方法采用基于神经网络结构的自适应控制策略形成镀层闭环精确控制，可以大大降低锌的过度消耗，及时消除双面涂层不均衡和涂层过薄的不良产品，有效改善热镀锌镀层表面质量，提高产品附加值，缩短品种转换时间，减少质量波动的损失。

附图说明

图1是带钢镀锌生产过程；

图2是BP网络控制器内部结构图；

图3是BP网络结合延迟预估控制锌层厚度；

图4是神经网络模型自适应控制逻辑图；

图5是控制结构图；

图6是上表面锌层厚度控制效果；

图7是下表面锌层厚度控制效果；

图8是气刀压力输出效果。

具体实施方式

一种连续热镀锌线锌层厚度自动控制方法，该方法采用BP神经网络结构自适应控制器及延迟预估策略实现镀层闭环精确控制，如图2、图3、图5所示，通过采样镀层厚度偏差作为BP神经网络结构自适应控制模型的输入值，通过自适应控制模型中两组加权因子Δw_ij(n)、Δh_j(n)的数据处理，最终产生合理的输出，实时调节气刀压力，最终使镀层厚度设定值与实际采样值之间的偏差变得越来越小；加权因子Δw_ij(n)、Δh_j(n)可以在每个采样间隔通过下述公式在线更新，学习算法以设定值与实测值(过程值)之间的偏差最小为原则不断刷新上述加权因子，最终，两组加权因子自适应调整的结果使镀层厚度设定值与实际采样值之间的偏差趋向于零。

所述的自适应控制模型中两组加权因子Δw_ij(n)、Δh_j(n)的更新算法为：

${\mathrm{\Δw}}_{\mathrm{ij}}\left(n\right)={\mathrm{\ηK}}_c\frac{\∂y\left(n\right)}{\∂u\left(n\right)}e\left(n\right)q_j\left(n\right)(1-q_j\left(n\right))\·E_i\left(n\right)\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{h}_k\left(n\right)---\left(1\right)$

${\mathrm{\Δh}}_j\left(n\right)=\mathrm{\η}{K}_c\frac{\∂y\left(n\right)}{\∂u\left(n\right)}e\left(n\right)q_j\left(n\right)---\left(2\right)$

$p_j\left(n\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}\left(n\right)E_j\left(n\right)+1---\left(3\right)$

u(t)＝K_c(o(t)+e(t))

式中，η为学习步长，取值为0.6-1；K_c为控制器增益，取值1-2；e(n)为厚度偏差采样值，其拉氏变换为E(S)；q_j(n)为隐含层的输出结果；E_j(n)为厚度偏差历史数据；

为过程灵敏度。

无模型预估算法得到，

$\widehat{\mathrm{\Φ}}\left(n\right)=\widehat{\mathrm{\Φ}}(n-1)+\frac{{\mathrm{\η}}_k\·\mathrm{\Δu}(n-1)}{\mathrm{\μ}+{\left|\mathrm{\Δu}(n-1)\right|}^2}\·\{\mathrm{\Δy}\left(n\right)-\widehat{\mathrm{\Φ}}(n-1)\·\mathrm{\Δu}(n-1)\}---\left(7\right)$

采用随机接近算法估计过程灵敏度，若采样周期和Δu(k)足够小则，

$\frac{\∂y\left(n\right)}{\∂u\left(n\right)}\≈\frac{\mathrm{\Δy}(n+1)}{\mathrm{\Δu}\left(n\right)}=\widehat{\mathrm{\Φ}}\left(n\right)---\left(8\right)$

式中，μ为适当的常数，取值为1-2；η_k为控制参数。

Δu(k-1)为前一时刻压力输出值的变化量；Δy(n)为当前时刻锌层厚度的变化量。

所述的BP神经网络结构自适应控制系统结合延迟预估器，可解决镀层厚度检测的大滞后问题，实际应用时使用一阶惯性模型代替控制对象，则延迟预估器的计算公式如下：

$Y_c\left(s\right)=Y\left(s\right)+Y_p\left(s\right)=Y\left(s\right)+\frac{K(1-e^{-\mathrm{\τs}})}{\mathrm{TS}+1}U\left(s\right)---\left(9\right)$

式中，Y_c(s)为锌层厚度动态预估反馈信号；Y(s)为实际检测的锌层厚度；Y_p(s)为预测的锌层厚度信号；K，T，τ为控制对象近似一阶惯性模型预估器常数，通常K＝1。

以鞍钢5#热镀锌生产线为例，镀锌生产过程如图1，采用本专利提出的自适应控制模型结构如图2，采用BP神经网络结合延迟预估功能的控制方法如图3，现场应用该控制模型的镀锌控制如图4，镀锌控制结构如图5。实际控制器输出采用脉冲-等待方式，通过改变气刀压力来动态的使平均锌厚误差减到最小，此方法精确复制了手动方法，控制器不会动作直到最近的压力变化的影响达到测厚仪，可以形成另一个修正的输出。当气刀压力控制输出达到限幅值时，通过气刀与带钢表面距离来补偿。采用自适应控制模型后，上下表面的锌层厚度精度更高，大大低于镀层厚度限幅值如图6-8，减少了锌原料的消耗且提高产品表面质量。下面结合附图对本发明的具体实施例作进一步详细叙述。

1、数据分析

产品的规格(板厚、镀层厚度)和板型与生产过程的带钢速度、气刀高度、气刀距离和气刀压力等有十分密切的关系。总体上，一个产品规格基本可以对应一组控制操作参数，但又受到生产中的带钢速度和板型的较大影响，有较大的不确定性。

镀层厚度较大时，对气刀参数的敏感性大幅度提高，一般气刀高度和气刀距离增加，以确保气刀压力的可操作性：

镀层厚度g/m2	带钢速度m/min	气刀高度mm	气刀间距mm	气刀压力mbar
					80	100	200	9	260
100	120	500	10	290
					120	100	200	10	192
180	80	400	12	120
					276	85	700	14	96

板形的平整度不好时，操作人员对气刀间距进行较大的调整，其中2-δ参数为镀层均匀性指标：

镀层厚度g/m2	2-δmm	气刀间距mm
			80	1.4	8
80	2.3	9
			80	4.3	10
80	5.9	14

2、硬件与通讯

硬件选用SIEMENS公司SIMATIC IPC427C工业PC机，与现场控制系统相匹配。IPC427C是功能强大的嵌入式工业PC，采用无风扇设计，可用于DIN导轨安装、墙壁安装或立式安装。能在最高55℃的环境温度中全天24小时无维护连续运行时保持高性能和稳定性。由于其具有一个可通过电池进行缓冲的SRAM，因而可以在出现电源故障时可靠地保存数据。可选用PROFIBUS等与西门子PLC相匹配的通信协议与硬件接口。该硬件平台通过TCP/IP协议及通信接口与原控制系统构成有机整体。

先进控制站通过工业以太网TCP/IP协议与现场控制系统连接，根据任务需要直接与镀锌线总控机和气刀位置控制机实现数据通信和共享；先进控制站从镀锌线总控机取得镀锌板规格参数和带钢速度参数，从气刀位置控制机取得相关的气刀位置参数，经计算后将控制设定或操作参数送回气刀位置控制机，由操作人员根据现场运行情况决定手工操作或自动控制，进行无扰切换。

3、控制策略实现

输入量：镀锌板规格，切换触发开关，带钢速度，上面锌层厚度，下面锌层厚度，2-δ值，气刀高度，气刀间距，上面气刀压力，下面气刀压力，先控自动触发开关；

输出量：气刀上间距设定值，气刀下间距设定值，气刀上压力设定值，气刀下压力设定值；

对于控制回路中大滞后、非线性和时变，采用先进调节控制算法，应用自适应控制；建立多参数预测模型，采用带协调层的多变量预测控制策略，辅之以极限补偿系统协调各回路控制动作，解决约束多变量过程的协调控制问题。

Claims (1)

1.一种连续热镀锌线锌层厚度自动控制方法，其特征在于，该方法采用BP神经网络结构自适应控制器及延迟预估策略实现镀层闭环精确控制，通过采样镀层厚度偏差作为BP神经网络结构自适应控制模型的输入值，通过自适应控制模型中两组加权因子Δw_ij(n)、Δh_j(n)的数据处理，最终产生合理的输出，实时调节气刀压力，最终使镀层厚度设定值与实际采样值之间的偏差变得越来越小；加权因子Δw_ij(n)、Δh_j(n)可以在每个采样间隔通过下述公式在线更新，学习算法以设定值与过程值之间的偏差最小为原则不断刷新上述加权因子，最终，两组加权因子自适应调整的结果使镀层厚度设定值与实际采样值之间的偏差趋向于零；

所述的自适应控制模型中两组加权因子Δw_ij(n)、Δh_j(n)的更新算法为：

${\mathrm{\Δw}}_{\mathrm{ij}}\left(n\right)={\mathrm{\ηK}}_c\frac{\∂y\left(n\right)}{\∂u\left(n\right)}e\left(n\right)q_j\left(n\right)(1-q_j\left(n\right))\·E_i\left(n\right)\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{h}_k\left(n\right)---\left(1\right)$

${\mathrm{\Δh}}_j\left(n\right)={\mathrm{\ηK}}_c\frac{\∂y\left(n\right)}{\∂u\left(n\right)}e\left(n\right)q_j\left(n\right)---\left(2\right)$

$p_j\left(n\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}\left(n\right)E_j\left(n\right)+1---\left(3\right)$

u(t)＝K_c(o(t)+e(t))                      (6)

式中，η为学习步长，取值为0.6-1；K_c为控制器增益，取值1-2；e(n)为厚度偏差采样值，其拉氏变换为E(S)；q_j(n)为隐含层的输出结果；E_j(n)为厚度偏差历史数据；

为过程灵敏度；

无模型预估算法得到，

$\widehat{\mathrm{\Φ}}\left(n\right)=\widehat{\mathrm{\Φ}}(n-1)+\frac{{\mathrm{\η}}_k\·\mathrm{\Δu}(n-1)}{\mathrm{\μ}+{\left|\mathrm{\Δu}(n-1)\right|}^2}\·\{\mathrm{\Δy}\left(n\right)-\widehat{\mathrm{\Φ}}(n-1)\·\mathrm{\Δu}(n-1)\}---\left(7\right)$

采用随机接近算法估计过程灵敏度，若采样周期和Δu(k)足够小则，

$\frac{\∂y\left(n\right)}{\∂u\left(n\right)}\≈\frac{\mathrm{\Δy}(n+1)}{\mathrm{\Δu}\left(n\right)}=\widehat{\mathrm{\Φ}}\left(n\right)---\left(8\right)$

式中，μ为适当的常数，取值为1-2；η_k为控制参数；

Δu(k-1)为前一时刻压力输出值的变化量；Δy(n)为当前时刻锌层厚度的变化量

所述的BP神经网络结构自适应控制系统结合延迟预估器，可解决镀层厚度检测的大滞后问题，实际应用时使用一阶惯性模型代替控制对象，则延迟预估器的计算公式如下：

$Y_c\left(s\right)=Y\left(s\right)+Y_p\left(s\right)=Y\left(s\right)+\frac{K(1-e^{-\mathrm{\τs}})}{\mathrm{TS}+1}U\left(s\right)---\left(9\right)$

式中，Y_c(s)为锌层厚度动态预估反馈信号；Y(s)为实际检测的锌层厚度；Y_p(s)为预测的锌层厚度信号；K,T,τ为控制对象近似一阶惯性模型预估器常数，通常K＝1。