CN104190720B - 一种自适应自动厚度控制方法及装置 - Google Patents

Abstract

本发明适用于板带材产品轧制技术领域，提供一种自适应自动厚度控制方法及装置，所述方法包括：构建网络模型得到网络模型各层网络权值；根据所述网络权值获取实时轧机弹性刚度M和塑性刚度Q；构建前馈模型得到第一补偿值ΔS₀；构建预测模型得到辊缝位置第二补偿值ΔS₁；构建自适应控制模型得到辊缝位置设定值S^*；将S^*、延迟时间T后的ΔS₀以及ΔS₁之和送至轧机液压APC的输入端，APC输出端输出控制信号以实现自动厚度控制。本发明通过建立各个模型，并考虑多方面因素，解决了现有自动厚度控制系统非线性时变、大滞后的问题，使得厚度控制精度和命中率提高，从而提高了轧制水平。

Description

一种自适应自动厚度控制方法及装置

技术领域

本发明属于冶金行业板带材产品轧制技术领域，尤其涉及一种自适应自动厚度控制方法及装置。

背景技术

在板带轧制过程中，为了提高厚度控制精度，国内外对轧机自动厚度控制系统做了大量研究。其本质是通过传感器对板带实际轧出厚度的连续测量，结合轧制过程中包括速度、温度、张力、辊缝位置、轧制力等多种物理量的实际测量值，借助计算机功能程序建立数学模型将出口厚度偏差信号转换为压下位置或张力变化信号，把厚度精度控制在允许的偏差范围内的一种综合控制过策略。

常用的自动厚度控制(AGC)方法有监控式、前馈式、厚度计式。其中监控式AGC由于轧机结构的限制，测厚仪一般安装在距离轧机辊缝一定距离的位置，造成实际轧出厚度必须经过一段滞后时间才能得到，对系统控制性能极为不利。目前，Smith预估法可用来克服滞后带来的影响，但其预估模型的准确性和滞后时间的不确定性会严重影响Smith预估法的控制性能，因此需要考虑一种可以克服非线性时变、大滞后的控制器来解决上述问题。而前馈式和厚度计式AGC需要精确的数学模型，但是轧机塑性刚度和弹性刚度的准确性制约了模型计算的精确度。目前，轧机刚度分段法和自学习法可用来提高其准确度，但由于刚度影响因素的复杂性和时变性导致其估算值仍存在偏差，因此需要考虑通过算法大幅克服这种偏差，提高模型精度和控制性能。

发明内容

鉴于上述问题，本发明的目的在于提供一种自适应自动厚度控制方法及装置，旨在解决现有自动厚度控制系统非线性时变、大滞后的技术问题。

一方面，所述自适应自动厚度控制方法包括下述步骤：

构建网络模型，根据轧机刚度参数、在线工艺参数得到网络模型各层网络权值；

根据所述网络权值获取实时轧机弹性刚度M和塑性刚度Q；

构建前馈模型，获取入口厚度波动Δh₀对应的辊缝位置第一补偿值ΔS₀；

构建预测模型，根据先进控制APC反馈，得到辊缝位置第二补偿值ΔS₁；

构建自适应控制模型，根据厚度设定值h^*与实测出口厚度h之差，得到辊缝位置设定值S^*；

将S^*、延迟时间T后的ΔS₀以及ΔS₁之和送至轧机液压APC的输入端，APC输出端输出控制信号以实现自动厚度控制。

另一方面，所述自适应自动厚度控制装置包括：

网络模型构建单元，用于构建网络模型，根据轧机刚度参数、在线工艺参数得到网络模型各层网络权值；

网络权值获取单元，用于根据所述网络权值获取实时轧机弹性刚度M和塑性刚度Q；

前馈模型构建单元，用于构建前馈模型，获取入口厚度波动Δh₀对应的辊缝位置第一补偿值ΔS₀；

预测模型构建单元，用于构建预测模型，根据先进控制APC反馈，得到辊缝位置第二补偿值ΔS₁；

自适应控制模型构建单元，用于构建自适应控制模型，根据厚度设定值h^*与实测出口厚度h之差，得到辊缝位置设定值S^*；

输出控制单元，用于将S^*、延迟时间T后的ΔS₀以及ΔS₁之和送至轧机液压APC的输入端，以使APC输出端输出控制信号以实现自动厚度控制。

本发明的有益效果是：本发明通过建立网络模型、前馈模型、预测模型、自适应控制模型，考虑多方面因素，解决了现有自动厚度控制系统非线性时变、大滞后的问题，使得厚度控制精度和命中率提高，从而提高了轧制水平。

附图说明

图1是本发明实施例提供的自适应自动厚度控制方法流程图；

图2是本发明实施例提供的控制系统原理图；

图3是本发明实施例提供的网络模型示意图；

图4是图1中步骤S101的具体流程图；

图5是本发明实施例提供的自适应控制模型原理框图；

图6是本明实施例提供的自适应自动厚度控制装置的结构方框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

图1示出了本发明实施例提供的自适应自动厚度控制方法流程，为了便于说明仅示出了与本发明实施例相关的部分。

参照图1并结合图2所示的控制系统原理图，所述自适应自动厚度控制方法包括：

步骤S101、构建网络模型，根据轧机刚度参数、在线工艺参数得到网络模型各层网络权值。

如图3所示，建立网络模型，包括7个输入层节点、10个隐含层节点以及2个输出层节点，所述输入层节点为样本数据，包括轧制速度V、轧制力P、轧辊凸度C、板带宽度B、板带温度T、入口厚度H和出口厚度h，所述输出层节点数包括轧机弹性刚度M和轧件塑性刚度Q。通过此网络模型处理轧机弹性刚度，预设精度值为0.001，结束后得到最终各层网络权值并保存。

具体实现时，参照图4所示，本步骤包括：

A1、确定学习速率、动量因子，初始化输入层到隐含层的连接权值ω_ki和隐含层到输出层的连接权值ω_ij。

学习速率为0.1，动量因子为0.05，初始化输入层到隐含层的连接权值ω_ki和隐含层到输出层的连接权值ω_ij，ω_ki和ω_ij为[-1,1]的随机数。选取100组离线数据样本进行归一化处理，归一化公式如下：

$\hat{x}=\frac{x-x_{\min }}{x_{\max }-x_{\min }}$

其中，x为输入输出向量，x_max和x_min为向量的最大和最小值。

A2、随机选取样本输入至网络模型。

A3、计算隐含层和输出层各节点的输入输出。

活化函数采用如下S型函数：

$f\left(x\right)=\frac{1}{1+e^{-x}}$

得到第P个样本下的隐含层第i个神经元输入输出和输出层输入输出为：

$v_{pi}=\underset{k=1}{\overset{5}{\mathrm{\Σ}}}{\mathrm{\ω}}_{ki}*I_{pk};u_{pi}=f\left(\underset{k=1}{\overset{5}{\Σ}}{\mathrm{\ω}}_{ki}*I_{pk}-{\mathrm{\θ}}_i\right)$

$m_{pj}=\underset{i=1}{\overset{10}{\Σ}}{\mathrm{\ω}}_{ij}*u_{pi};n_{pj}=f\left(\underset{i=1}{\overset{10}{\Σ}}{\mathrm{\ω}}_{ij}*u_{pi}-{\mathrm{\θ}}_j\right)$

其中，I_P为样本输入向量，ω_ki为输入层和隐含层之间的连接权值，ω_ij为隐含层和输出层之间的连接权值，v_p为隐含层输入向量，u_p为隐含层输出向量，m_p为输出层输入向量，n_p为输出层输出向量，θ_i为隐含层阈值，θ_j为输出层阈值。

A4、计算误差函数对隐含层各节点的偏导数δ_pi以及计算误差函数对输出层各神经元的偏导数δ_pj。

${\mathrm{\δ}}_{pi}=f\left(\underset{k=1}{\overset{5}{\Σ}}{\mathrm{\ω}}_{ki}*I_{pk}-{\mathrm{\θ}}_i\right)\left(1-f\left(\underset{k=1}{\overset{5}{\Σ}}{\mathrm{\ω}}_{ki}*I_{pk}-{\mathrm{\θ}}_i\right)\right)\left(\underset{j=1}{\overset{1}{\Σ}}{\mathrm{\ω}}_{ij}*{\mathrm{\δ}}_{pj}\right);$

${\mathrm{\δ}}_{pj}=f\left(\underset{k=1}{\overset{10}{\Σ}}{\mathrm{\ω}}_{ij}*u_{pi}-{\mathrm{\θ}}_j\right)\left(1-f\left(\underset{k=1}{\overset{10}{\Σ}}{\mathrm{\ω}}_{ij}*u_{pi}-{\mathrm{\θ}}_j\right)\right)\left(O_{Pj}-n_{pj}\right);$

其中，O_P为样本输出向量。

A5、计算隐含层和输出层的权值修正值并更新各网络权值。

利用梯度最速下降法得到的权值修正方程如下：

ω_ki(k+1)＝ω_ki(k)+ξ*δ_pi*I_pk+α(ω_ki(k)-ω_ki(k-1))；

ω_ij(k+1)＝ω_ij(k)+ξ*δ_pj*u_pi+α(ω_ij(k)-ω_ij(k-1))；

其中，ξ为学习速率，α为动量因子。

A6、判读样本是否处理完毕，若没有则返回A2步骤再次随机选取样本输入至网络模型，直至全部样本数据处理完毕；

A7、判断全局误差是否小于预设精度值，若全局误差是否大于预设精度值，则更新处理次数返回A2步骤进行下一轮样本选取，直至处理后的全局误差小于预设精度值；

A8、保存此时的各网络权值。

步骤S102、根据所述网络权值获取实时轧机弹性刚度M和塑性刚度Q。

通过反归一化处理并根据所述网络权值获取实时轧机弹性刚度M和轧件塑性刚度Q，其中，

$M=f\left(\underset{i=1}{\overset{10}{\mathrm{\Σ}}}{\mathrm{\ω}}_{ij}*f\left(\underset{k=1}{\overset{7}{\Σ}}{\mathrm{\ω}}_{ki}*I_{pk}-{\mathrm{\θ}}_i\right)-{\mathrm{\θ}}_j\right)(O_{max}-O_{\min })+O_{\min }(j=1);$

$Q=f\left(\underset{i=1}{\overset{10}{\mathrm{\Σ}}}{\mathrm{\ω}}_{ij}*f\left(\underset{k=1}{\overset{7}{\mathrm{\Σ}}}{\mathrm{\ω}}_{ki}*I_{pk}-{\mathrm{\θ}}_i\right)-{\mathrm{\θ}}_j\right)\left(O_{\max }-O_{\min }\right)+O_{\min }\left(j=2\right);$

其中，O为样本输出数据，O_max和O_min为输出最大值和最小值。

步骤S103、构建前馈模型，获取入口厚度波动Δh₀对应的辊缝位置第一补偿值ΔS₀。

所述前馈模型为为了进一步发挥前馈模型的优点，可选取合适的超前量，并计算出消除前馈系统扰动所需的控制延迟时间T：

T＝ΔT₁+ΔT₂-τ

其中，ΔT₁为系统滞后时间，可根据轧制速度求得，ΔT₂为APC响应时间，τ为超前控制时间。

步骤S104、构建预测模型，根据先进控制APC反馈，得到辊缝位置第二补偿值ΔS₁。

所述建预测模型为其中，P₀为零点轧制力，A为综合补偿值(包括油膜补偿、轧辊热凸度及磨损补偿、轧辊偏心补偿、弯辊补偿及头尾补偿等)。

步骤S105、构建自适应控制模型，根据厚度设定值h^*与实测出口厚度h之差，得到辊缝位置设定值S^*。

本步骤通过自适应控制模型，由度设定值h^*与实测出口厚度h之差作为输入计算出辊缝位置设定值S^*，具体的，结合图5所示的自适应控制模型原理框图，本步骤包括：

B1、初始化自适应控制模型的权重因子λ和步长因子ρ以及伪偏导数估计算法的权重因子μ和步长因子η，确定伪偏导数初始值φ(1)以及收敛条件ε。

其中，不同的λ取值得到不同的系统动态，λ越小，系统的响应速度越快，同时超调量越大，相反地，系统响应速度变慢，超调量变小，为了获得满意的控制效果，λ初始值为10，μ初始值为1，φ(1)初始值为2，ρ取0.6，η取1，ε取0.02。

B2、针对每一轮采样，若厚度设定值h^*与测厚仪测量厚度值h之差的绝对值小于或等于收敛条件ε，则保持当前辊缝位置设定值S^*输出。

判断厚度设定值h^*与测厚仪测量厚度值h之差的绝对值与收敛条件ε的关系。若|h^*-h|≤ε，则保持自适应控制模型输出，即输出当前辊缝位置设定值S^*。

B3、若厚度设定值h^*与测厚仪测量厚度值h之差的绝对值大于收敛条件ε，则计算系统伪偏导数 $\mathrm{\φ}\left(k\right)=\mathrm{\φ}(k-1)+\frac{\mathrm{\η}\mathrm{\Δ}u(k-1)}{\mathrm{\μ}+|\mathrm{\Δ}u(k-1){|}^2}\left(\mathrm{\Δ}y\right(k)-\mathrm{\φ}(k-1\left)\mathrm{\Δ}u\right(k-1\left)\right).$

若|h^*-h|＞ε，根据工艺在线采样数据计算系统伪偏导数φ(k)的估计值。由于传统的参数估计准则函数是极小化系统模型输出与真实输出之差的平方，在传感器失灵导致某些采样数据不准确的情况下，此类估计算法会表现得过于敏感而使系统误差迅速增加，因此提出如下伪偏导数估计准则：

J(φ(k))＝|y(k)-y(k-1)-φ(k)Δu(k-1)|²+μ|φ(k)-φ(k-1)|²

根据上面的估计准则可得到偏导数φ(k)的推理运行方程如下：

$\mathrm{\φ}\left(k\right)=\mathrm{\φ}(k-1)+\frac{\mathrm{\η}\mathrm{\Δ}u(k-1)}{\mathrm{\μ}+|\mathrm{\Δ}u(k-1){|}^2}\left(\mathrm{\Δ}y\right(k)-\mathrm{\φ}(k-1\left)\mathrm{\Δ}u\right(k-1\left)\right)$

式中，Δu(k-1)为辊缝位置设定值S^*与前一时刻寄存值之差ΔS^*，Δy(k)为测厚仪测量厚度值h与前一时刻寄存值之差Δh。

B4、根据所述伪偏导数φ(k)得到自适应控制模型输出。

将计算得到的伪偏导数φ(k)代入自适应控制模型得到控制输出，由于最小化一步向前预报误差准则函数得到的控制算法有可能产生过大的控制输入，使系统遭到破坏因此，而最小化加权一步向前预报误差准则函数又可能产生稳态跟踪误差，因此提出如下控制准则：

J(u(k))＝|y^*(k+1)-y(k+1)|²+λ|u(k)-u(k-1)|²

根据上面的控制准则可得到模型输出u(k)如下：

$u\left(k\right)=u(k-1)+\frac{\mathrm{\ρ}\mathrm{\φ}\left(k\right)}{\mathrm{\λ}+|\mathrm{\φ}\left(k\right){|}^2}(y*(k+1)-y(k+1\left)\right)$

式中，y^*(k+1)为厚度设定值h^*，y(k+1)为测厚仪测量厚度值h。

步骤S106、将S^*、延迟时间T后的ΔS₀以及ΔS₁之和送至轧机液压APC的输入端，APC输出端输出控制信号以实现自动厚度控制。

最后根据各个模型输出值，将S^*、延迟时间T后的ΔS₀、ΔS₁之和输入至APC，然后得到控制信号，根据所述控制信号进行自动厚度控制即可。

另外，本实施例还提供了一种自适应自动厚度控制装置，如图6所示，包括：

网络模型构建单元61，用于构建网络模型，根据轧机刚度参数、在线工艺参数得到网络模型各层网络权值。所述网络模型包括7个输入层节点、10个隐含层节点以及2个输出层节点，所述输入层节点为样本数据，包括轧制速度V、轧制力P、轧辊凸度C、板带宽度B、板带温度T、入口厚度H和出口厚度h，所述输出层节点数包括轧机弹性刚度M和轧件塑性刚度Q。

网络权值获取单元62，用于根据所述网络权值获取实时轧机弹性刚度M和塑性刚度Q；

前馈模型构建单元63，用于构建前馈模型，获取入口厚度波动Δh₀对应的辊缝位置第一补偿值ΔS₀；

预测模型构建单元64，用于构建预测模型，根据先进控制APC反馈，得到辊缝位置第二补偿值ΔS₁；

自适应控制模型构建单元65，用于构建自适应控制模型，根据厚度设定值h^*与实测出口厚度h之差，得到辊缝位置设定值S^*；

输出控制单元66，用于将S^*、延迟时间T后的ΔS₀以及ΔS₁之和送至轧机液压APC的输入端，以使APC输出端输出控制信号以实现自动厚度控制。

上述各个功能模块61-66对应所述步骤S101-S106。具体的，通过网络模型构建单元、网络权值获取单元得到轧机弹性刚度M和塑性刚度Q，然后前馈模型构建单元63得到第一补偿值ΔS₀，预测模型构建单元得到第二补偿值ΔS₁，构建自适应控制模型得到辊缝位置设定值S^*，最后将S＝S^*+ΔS₀+ΔS₁送至轧机液压APC的输入端，得到控制信号以实现自动厚度控制。

其中，优选的，所述网络模型构建单元61包括：

初始化模块，用于确定学习速率、动量因子，初始化输入层到隐含层的连接权值ω_ki和隐含层到输出层的连接权值ω_ij；

样本选取模块，用于随机选取样本输入至网络模型；

输入输入计算模块，用于计算隐含层和输出层各节点的输入输出；

偏导数计算模块，用于计算误差函数对隐含层各节点的偏导数δ_pi以及计算误差函数对输出层各神经元的偏导数δ_pj；

网络权值更新模块，用于计算隐含层和输出层的权值修正值并更新各网络权值；

所述样本选取模块还用于再次随机选取样本输入至网络模型，直至全部样本数据处理完毕；

次数更新模块，用于更新处理次数进行下一轮样本选取，直至处理后的全局误差小于预设精度值，保存此时的各网络权值。

进一步优选的，所述网络权值获取单元62具体包括：

网络权值获取模块，用于通过反归一化处理并根据所述网络权值获取实时轧机弹性刚度M和轧件塑性刚度Q，其中，

$M=f\left(\underset{i=1}{\overset{10}{\mathrm{\Σ}}}{\mathrm{\ω}}_{ij}*f\left(\underset{k=1}{\overset{7}{\Σ}}{\mathrm{\ω}}_{ki}*I_{pk}-{\mathrm{\θ}}_i\right)-{\mathrm{\θ}}_j\right)(O_{max}-O_{\min })+O_{\min }(j=1);$

$Q=f\left(\underset{i=1}{\overset{10}{\mathrm{\Σ}}}{\mathrm{\ω}}_{ij}*f\left(\underset{k=1}{\overset{7}{\mathrm{\Σ}}}{\mathrm{\ω}}_{ki}*I_{pk}-{\mathrm{\θ}}_i\right)-{\mathrm{\θ}}_j\right)\left(O_{\max }-O_{\min }\right)+O_{\min }\left(j=2\right);$

其中，O为样本输出数据，O_max和O_min为输出最大值和最小值。

这里，所述前馈模型为所述建预测模型为其中，P₀为零点轧制力，A为综合补偿值。

进一步优选的，所述自适应控制模型构建单65元包括：

模型初始化模块，用于初始化自适应控制模型的权重因子λ和步长因子ρ以及伪偏导数估计算法的权重因子μ和步长因子η，确定伪偏导数初始值φ(1)以及收敛条件ε；

判断输出模块，用于针对每一轮采样，若厚度设定值h^*与测厚仪测量厚度值h之差的绝对值小于或等于收敛条件ε，则保持当前辊缝位置设定值S^*输出；

偏导数获取模块，用于当厚度设定值h^*与测厚仪测量厚度值h之差的绝对值大于收敛条件ε时，计算系统伪偏导数 $\mathrm{\φ}\left(k\right)=\mathrm{\φ}(k-1)+\frac{\mathrm{\η}\mathrm{\Δ}u(k-1)}{\mathrm{\μ}+|\mathrm{\Δ}u(k-1){|}^2}\left(\mathrm{\Δ}y\right(k)-\mathrm{\φ}(k-1\left)\mathrm{\Δ}u\right(k-1\left)\right);$ 其中Δu(k-1)为辊缝位置设定值S^*与前一时刻寄存值之差ΔS^*，Δy(k)为测厚仪测量厚度值h与前一时刻寄存值之差Δh；

控制输出模块，用于根据所述伪偏导数φ(k)得到自适应控制模型输出其中y^*(k+1)为厚度设定值h^*，y(k+1)为测厚仪测量厚度值h。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种自适应自动厚度控制方法，其特征在于，所述方法包括：

构建网络模型，根据轧机刚度参数、在线工艺参数得到网络模型各层网络权值；

根据所述网络权值获取实时轧机弹性刚度M和塑性刚度Q；

构建前馈模型，获取入口厚度波动Δh₀对应的辊缝位置第一补偿值ΔS₀；

构建预测模型，根据先进控制APC反馈，得到辊缝位置第二补偿值ΔS₁；

构建自适应控制模型，根据厚度设定值h^*与实测出口厚度h之差，得到辊缝位置设定值S^*；

将S^*、延迟时间T后的ΔS₀以及ΔS₁之和送至轧机液压APC的输入端，APC输出端输出控制信号以实现自动厚度控制；

所述网络模型包括7个输入层节点、10个隐含层节点以及2个输出层节点，所述输入层节点为样本数据，包括轧制速度V、轧制力P、轧辊凸度C、板带宽度B、板带温度T、入口厚度H和出口厚度h，所述输出层节点数包括轧机弹性刚度M和轧件塑性刚度Q；

所述根据轧机刚度参数、在线工艺参数得到网络模型各层网络权值步骤具体包括：

确定学习速率、动量因子，初始化输入层到隐含层的连接权值ω_ki和隐含层到输出层的连接权值ω_ij；

随机选取样本输入至网络模型；

计算隐含层和输出层各节点的输入输出；

计算误差函数对隐含层各节点的偏导数δ_pi以及计算误差函数对输出层各神经元的偏导数δ_pj；

计算隐含层和输出层的权值修正值并更新各网络权值；

再次随机选取样本输入至网络模型，直至全部样本数据处理完毕；

更新处理次数进行下一轮样本选取，直至处理后的全局误差小于预设精度值，保存此时的各网络权值；

其中，所述根据所述网络权值获取实时轧机弹性刚度M和塑性刚度Q步骤，具体包括：

通过反归一化处理并根据所述网络权值获取实时轧机弹性刚度M和轧件塑性刚度Q，其中，

$M=f\left(\underset{i=1}{\overset{10}{\Σ}}{\mathrm{\ω}}_{ij}*f\left(\underset{k=1}{\overset{7}{\Σ}}{\mathrm{\ω}}_{ki}*I_{pk}-{\mathrm{\θ}}_i\right)-{\mathrm{\θ}}_j\right)\left(O_{\max }-O_{\min }\right)+O_{\min }(j=1);$

$Q=f\left(\underset{i=1}{\overset{10}{\Σ}}{\mathrm{\ω}}_{ij}*f\left(\underset{k=1}{\overset{7}{\Σ}}{\mathrm{\ω}}_{ki}*I_{pk}-{\mathrm{\θ}}_i\right)-{\mathrm{\θ}}_j\right)\left(O_{\max }-O_{\min }\right)+O_{\min }(j=2);$

其中，I_pk为第k个样本输入向量，θ_i为隐含层阈值，θ_j为输出层阈值，ω_ki为输入层和隐含层之间的连接权值，ω_ij为隐含层和输出层之间的连接权值，O为样本输出数据，O_max和O_min为输出最大值和最小值。

2.如权利要求1所述方法，其特征在于，所述前馈模型为

3.如权利要求2所述方法，其特征在于，所述建预测模型为其中，P₀为零点轧制力，A为综合补偿值。

4.如权利要求3所述方法，其特征在于，所述构建自适应控制模型，根据厚度设定值h^*与实测出口厚度h之差，得到辊缝位置设定值S^*步骤，具体包括：

初始化自适应控制模型的权重因子λ和步长因子ρ以及伪偏导数估计算法的权重因子μ和步长因子η，确定伪偏导数初始值φ(1)以及收敛条件ε；

针对每一轮采样，若厚度设定值h^*与测厚仪测量厚度值h之差的绝对值小于或等于收敛条件ε，则保持当前辊缝位置设定值S^*输出；

若厚度设定值h^*与测厚仪测量厚度值h之差的绝对值大于收敛条件ε，则计算系统伪偏导数 $\mathrm{\φ}\left(k\right)=\mathrm{\φ}(k-1)+\frac{\mathrm{\η}\mathrm{\Δ}u(k-1)}{\mathrm{\μ}+|\mathrm{\Δ}u(k-1){|}^2}\left(\mathrm{\Δ}y\right(k)-\mathrm{\φ}(k-1\left)\mathrm{\Δ}u\right(k-1\left)\right);$ 其中Δu(k-1)为辊缝位置设定值S^*与前一时刻寄存值之差ΔS^*，Δy(k)为测厚仪测量厚度值h与前一时刻寄存值之差Δh；

根据所述伪偏导数φ(k)得到自适应控制模型输出其中y^*(k+1)为厚度设定值h^*，y(k+1)为测厚仪测量厚度值h。

5.一种自适应自动厚度控制装置，其特征在于，所述装置包括：

网络模型构建单元，用于构建网络模型，根据轧机刚度参数、在线工艺参数得到网络模型各层网络权值；

网络权值获取单元，用于根据所述网络权值获取实时轧机弹性刚度M和塑性刚度Q；

前馈模型构建单元，用于构建前馈模型，获取入口厚度波动Δh₀对应的辊缝位置第一补偿值ΔS₀；

预测模型构建单元，用于构建预测模型，根据先进控制APC反馈，得到辊缝位置第二补偿值ΔS₁；

自适应控制模型构建单元，用于构建自适应控制模型，根据厚度设定值h^*与实测出口厚度h之差，得到辊缝位置设定值S^*；

输出控制单元，用于将S^*、延迟时间T后的ΔS₀以及ΔS₁之和送至轧机液压APC的输入端，以使APC输出端输出控制信号以实现自动厚度控制；

其中，所述网络模型包括7个输入层节点、10个隐含层节点以及2个输出层节点，所述输入层节点为样本数据，包括轧制速度V、轧制力P、轧辊凸度C、板带宽度B、板带温度T、入口厚度H和出口厚度h，所述输出层节点数包括轧机弹性刚度M和轧件塑性刚度Q；所述网络模型构建单元包括：

初始化模块，用于确定学习速率、动量因子，初始化输入层到隐含层的连接权值ω_ki和隐含层到输出层的连接权值ω_ij；

样本选取模块，用于随机选取样本输入至网络模型；

输入输入计算模块，用于计算隐含层和输出层各节点的输入输出；

偏导数计算模块，用于计算误差函数对隐含层各节点的偏导数δ_pi以及计算误差函数对输出层各神经元的偏导数δ_pj；

网络权值更新模块，用于计算隐含层和输出层的权值修正值并更新各网络权值；

所述样本选取模块还用于再次随机选取样本输入至网络模型，直至全部样本数据处理完毕；

次数更新模块，用于更新处理次数进行下一轮样本选取，直至处理后的全局误差小于预设精度值，保存此时的各网络权值；

所述网络权值获取单元具体包括：

网络权值获取模块，用于通过反归一化处理并根据所述网络权值获取实时轧机弹性刚度M和轧件塑性刚度Q，其中，

$M=f\left(\underset{i=1}{\overset{10}{\Σ}}{\mathrm{\ω}}_{ij}*f\left(\underset{k=1}{\overset{7}{\Σ}}{\mathrm{\ω}}_{ki}*I_{pk}-{\mathrm{\θ}}_i\right)-{\mathrm{\θ}}_j\right)\left(O_{\max }-O_{\min }\right)+O_{\min }(j=1);$

$Q=f\left(\underset{i=1}{\overset{10}{\Σ}}{\mathrm{\ω}}_{ij}*f\left(\underset{k=1}{\overset{7}{\Σ}}{\mathrm{\ω}}_{ki}*I_{pk}-{\mathrm{\θ}}_i\right)-{\mathrm{\θ}}_j\right)\left(O_{\max }-O_{\min }\right)+O_{\min }(j=2);$

其中，I_pk为第k个样本输入向量，θ_i为隐含层阈值，θ_j为输出层阈值，ω_ki为输入层和隐含层之间的连接权值，ω_ij为隐含层和输出层之间的连接权值，O为样本输出数据，O_max和O_min为输出最大值和最小值。

6.如权利要求5所述装置，其特征在于，所述自适应控制模型构建单元包括：

模型初始化模块，用于初始化自适应控制模型的权重因子λ和步长因子ρ以及伪偏导数估计算法的权重因子μ和步长因子η，确定伪偏导数初始值φ(1)以及收敛条件ε；

判断输出模块，用于针对每一轮采样，若厚度设定值h^*与测厚仪测量厚度值h之差的绝对值小于或等于收敛条件ε，则保持当前辊缝位置设定值S^*输出；

偏导数获取模块，用于当厚度设定值h^*与测厚仪测量厚度值h之差的绝对值大于收敛条件ε时，计算系统伪偏导数 $\mathrm{\φ}\left(k\right)=\mathrm{\φ}(k-1)+\frac{\mathrm{\η}\mathrm{\Δ}u(k-1)}{\mathrm{\μ}+|\mathrm{\Δ}u(k-1){|}^2}\left(\mathrm{\Δ}y\right(k)-\mathrm{\φ}(k-1\left)\mathrm{\Δ}u\right(k-1\left)\right);$ 其中Δu(k-1)为辊缝位置设定值S^*与前一时刻寄存值之差ΔS^*，Δy(k)为测厚仪测量厚度值h与前一时刻寄存值之差Δh；

控制输出模块，用于根据所述伪偏导数φ(k)得到自适应控制模型输出其中y^*(k+1)为厚度设定值h^*，y(k+1)为测厚仪测量厚度值h。