CN104846306B - 一种镀锌厚度控制系统及方法 - Google Patents

Abstract

本发明公开了一种镀锌厚度控制系统及方法，在前馈+反馈控制架构的基础上，采用神经网络模型克服传统方法中建模精度低的缺陷，采用基于积分的变滞后时间计算方法和时间平移偏差校正技术，实现时变大滞后测量信息的有效反馈，克服不可测外界扰动及工作点漂移造成的模型失配。本发明可有效解决镀锌生产过程的大时滞、非线性和强干扰的难题，实现镀层厚度闭环自动控制，达到显著提高产品质量，降低过量锌消耗，减少不同规格产品间的切换时间等效果。

Description

一种镀锌厚度控制系统及方法

技术领域

本发明涉及镀锌工艺控制技术领域，特别涉及一种镀锌厚度控制系统及方法。

背景技术

镀锌：这里指热镀锌，也叫热浸锌和热浸镀锌，是一种有效的金属防腐方式，主要用于各行业的金属结构设施上。热镀锌是将除锈后的钢件浸入融化的锌液中，使钢构件表面附着锌层，从而起到防腐的目的。

镀锌产品因其良好的耐腐蚀性能被广泛应用于建筑、家电、汽车等行业，衡量镀锌产品质量的重要技术指标包括镀层的厚度和均匀度，即镀锌产品的镀层厚度不但要满足技术规格要求，且要保证镀层表面平整。影响镀层厚度的主要因素是生产线速度、气刀刀距、气刀压力，一般将后两者作为镀层厚度的主要控制变量，而生产线速度受退火炉生产能力及产能等上下游因素的影响，无法独立调节，因此不能作为控制变量处理，只能作为前馈控制的扰动变量引入控制系统。钢铁冷轧连续热镀锌生产系统具有以下特点：

1、镀层厚度值的在线测量需要采用测厚仪，由于镀锌生产的工艺要求，测厚仪的安装位置常常距离气刀较远，导致系统具有较大的测量滞后，同时，在实际的镀锌生产中，受到上下游产能的影响，镀锌产线的速度是随时变化的，因此该系统测量滞后的时间不是定值，而是时变的，(一般为70秒至120秒)，受到外界扰动的影响，镀层厚度一直处于波动状态，直接使用测厚仪的信息进行镀层厚度反馈闭环控制会产生较大的超调量和较长的调节时间，更加增加了镀锌生产厚度控制的难度，导致镀层厚度波动大，产品质量难以控制；

2、镀锌的生产过程受到空气动力、边界流层等多个复杂的物理因素作用，最终的锌层厚度是气刀气压、气刀刀距、生产线速度等变量共同作用的结果，而这些变量对镀层厚度的影响原理较为复杂且扰动因素众多，具有较强的非线性，使用传统的机理建模方法很难建立精确的系统模型；

3、实际工业现场存在多种外界随机扰动，例如：锌液成分和温度的变化、板形的变化、气刀压力的波动等，这些外界的扰动均会影响镀层厚度，使其产生较大的质量波动。

综上所述，镀锌是一个典型的时变大滞后、非线性、强扰动的生产过程。由于缺乏有效克服上述难点的控制技术手段，镀层厚度控制一直是困扰镀锌生产的难题，目前国内钢铁企业的镀锌线大都采用基于测厚仪的反馈信息进行人工手动控制的方式，该方式受制于操作人员的经验和责任心，控制精度低、抗扰动性差、产品规格变化时过渡时间较长、质量波动大，往往不能获得期望的产品品质，甚至会出现违反工艺要求的不规范操作。镀层不均匀、厚度波动大迫使生产企业人为提高镀层厚度的设定值，以确保产品质量在工况波动较大时仍满足厚度控制指标要求，然而，上述做法会造成锌的大量浪费，造成生产成本居高不下。为了解决上述的问题，国内也有相关专利和文献提出基于模型的前馈/反馈控制系统，如公开号为CN102912275A的专利《一种热镀锌线镀层厚度自动控制系统》，其模型以机理为基础，基于生产历史数据采用最小二乘法等方法分段线性拟合参数建立，由于采用了前馈+反馈的设计方法，该发明所提出的方法对克服可测不可控扰动造成的镀层质量波动，具有一定的效果；然而，对于镀锌这一具有较强非线性的生产过程，线性分段模型很难准确全面地反映镀锌过程的系统非线性特征，模型预测精度不高，制约了系统控制品质的提高；同时该专利中提出的反馈控制器直接使用测厚仪信息进行反馈控制，如前所述，在镀锌的生产过程中，测厚仪的安装位置受到工艺的要求及实际产线布局的限制，往往安装在距离执行机构(气刀)之后较远的位置，此外，受到上下游产能的影响，镀锌产线的速度是随时变化的，从而导致了较大的时变测量滞后，上述方法忽略了镀层厚度测量时变、大纯滞后因素的影响，反而容易导致系统波动加剧、超调以及较长过渡时间现象的产生；《热镀锌线锌层厚度的闭环控制简介》(刘海龙，四川冶金，2006:28(6))，介绍了VAI公司提供的镀层厚度控制系统，该系统前馈控制器主要针对线速度的改变，采用调节气刀气压方式加以补偿，而反馈控制器优先采用气刀压力调节，当其饱和后，再使用气刀刀距进行调节。该文献中提到的前馈和反馈控制量的计算都是基于灵敏度计算，将镀层厚度与速度、气刀压力、气刀间距之间的关系在当前工作点附近进行线性化处理，同样存在控制精度低，无法进行模型在线校正，不能有效解决反馈的时变大滞后问题等缺陷。因此，目前国内现有的镀层厚度自动控制系统虽然采用了前馈+反馈架构，但由于受测量时变大滞后、预测模型自身局限性等因素影响，控制效果并不理想。

发明内容

本发明针对现有技术存在的上述不足，提供了一种镀锌厚度控制系统。本发明通过以下技术方案实现：

一种镀锌厚度控制系统，包括前馈控制模块以及反馈控制模块，前馈控制模块与反馈控制模块均包含一锌层厚度预测神经网络模型；

前馈控制模块的输入为锌层厚度设定值以及当前生产线速度测量值，输出为前馈控制模块气刀刀距设定值以及前馈控制模块气刀压力设定值，前馈控制模块在生产工艺规程允许的气刀刀距设定值与气刀压力设定值构成的二维空间中搜索最优解；

反馈控制模块根据当前气刀刀距测量值、当前气刀压力测量值以及当前生产线速度测量值计算得到锌层的厚度预测值，然后进行滞后时间计算，对锌层的厚度测量值进行时间平移偏差校正，得到校正后的厚度预测值，根据校正后的厚度预测值计算反馈控制模块气刀压力设定值。

本发明另提供一种镀锌厚度控制方法，通过以下技术方案实现：

一种镀锌厚度控制方法，提供上述的镀锌厚度控制系统，令当前控制周期时刻为t，执行步骤：

S1、判断与上一周期采样值相比，当前生产线速度是否有超过预定值的波动，或者判断锌层厚度设定值是否发生改变，若有任意一种情况的判断结果为是，则进入S3，否则进入S2；

S2、采用反馈控制模块计算反馈控制模块气刀压力设定值P_fbc(t)，令前馈控制模块气刀压力设定值P_ffc(t)＝P_ffc(t-1)，输出P_fbc(t)+P_ffc(t)的气刀压力设定值至生产系统，同时维持气刀刀距不变，本次控制周期控制量计算结束；

S3、采用前馈控制模块计算前馈控制模块气刀刀距设定值D_ffc(t)，前馈控制模块气刀压力设定值P_ffc(t)，将前馈控制模块气刀刀距设定值D_ffc(t)以及前馈控制模块气刀压力设定值P_ffc(t)输出至生产系统，本次控制周期控制量计算结束。

较佳的，步骤S2包括：

S102、根据t时刻气刀刀距测量值D(t)、t时刻气刀压力测量值P(t)及t时刻生产线速度测量值S(t)，采用预测神经网络模型预测当前锌层厚度预测值CWp(t)，将预测神经网络模型的非线性映射关系即为NNp(·)，其表达式为：NNp(P(t),S(t),D(t))＝CWp(t)；

S103、基于积分的变滞后时间计算方法，对于任意时刻t_a的厚度测量值CWm(t_a)，由于滞后的原因，产生厚度测量值CWm(t_a)的控制量实际作用时刻为t_b，假设气刀装置到测厚仪的距离为L，根据速度、时间与距离的关系得到：根据已知变量L，S(t)，t_a，求解上述积分方程，可以得到变量t_b的值，即针对每一个t_a都可以计算得到一个t_b与之对应，因此定义时间平移函数r(·)表示t_a与t_b之间的映射关系，即t_b＝r(t_a)，则对于当前时刻t，求得对应的时刻为r(t)；

S104、根据计算得到的r(t)，提取对应时刻气刀压力P(r(t))、对应时刻气刀刀距D(r(t))以及对应时刻生产线速度S(r(t))，采用预测神经网络模型计算t时刻测厚仪的厚度测量值CWm(t)对应时刻的厚度预测值CWp(r(t))；

以此类推，计算N个时刻的厚度测量值CWm(t)、CWm(t-1)、…、CWm(t-N+1)对应时刻的厚度预测值CWp(r(t))、CWp(r(t-1))、…、CWp(r(t-N+1))，以此对S102中得到的CWp(t)进行校正，校正过程使用测厚仪的厚度测量值与厚度预测值之间的偏差信息，采用滑动窗口法对时间窗口N内的偏差值进行加权平滑，得到如下校正后的厚度预测值：α_k,k＝0,1,...,N-1是一组预先设定的加权系数；

S105、计算t时刻厚度设定值与校正后的厚度预测值的偏差e(t)＝Rcw(t)-CWp′(t)，采用反馈控制模块计算t时刻反馈控制模块气刀压力设定值P_fbc(t)；

S106、令P_ffc(t)＝P_ffc(t-1)，将P(t)＝P_fbc(t)+P_ffc(t)输出到生产系统，同时维持气刀刀距不变，本次控制周期控制量计算结束。

较佳的，步骤S3包括：

S107、采用前馈控制模块计算前馈控制模块气刀刀距设定值D_ffc(t)，前馈控制模块气刀压力设定值P_ffc(t)，满足：

1)在t时刻生产线速度S(t)下，尽量减小锌层厚度预测值与设定值之间的偏差：

2)在t时刻生产线速度S(t)下，尽量减小气刀压力对于锌层厚度的灵敏度：ΔP为预先给定的扰动量；

引入权重系数w₁,w₂将1)、2)合并为一个目标函数：

约束条件是D_ffc(t)，P_ffc(t)在工艺规程要求的范围以内，即：

D_ffc(t)∈[D_Lower,D_Upper]

P_ffc(t)∈[P_Lower,P_Upper]

其中，D_Lower,D_Upper,P_Lower,P_Upper分别为工艺规程要求的气刀刀距下限、气刀刀距上限、气刀压力下限以及气刀压力上限，优化问题的决策变量为D_ffc(t)、P_ffc(t)；

S108、令P_fbc(t)＝0，将前馈控制模块气刀刀距设定值D_ffc(t)以及前馈控制模块气刀压力设定值P_ffc(t)输出至生产系统，本次控制周期控制量计算结束。

在前馈+反馈控制架构的基础上，采用神经网络模型克服传统方法中建模精度低的缺陷，采用基于积分的变滞后时间计算方法和时间平移偏差校正技术，实现时变大滞后测量信息的有效反馈，克服不可测变量及工作点漂移造成的模型失配。本发明可有效解决镀锌生产过程的大时滞、非线性和强干扰的难题，实现镀层厚度自动控制，达到显著提高产品质量，降低过量锌消耗，减少不同规格产品间的切换时间等效果。

附图说明

图1所示的是本发明镀锌厚度控制系统的系统架构图；

图2所示的是本发明的流程图；

图3所示的是使用本发明前后的镀层质量波动效果图；

图4所示的是采用本发明前的产品规格切换效果图；

图5所示的是使用本发明后的产品规格切换效果图。

具体实施方式

以下将结合本发明的附图，对本发明实施例中的技术方案进行清楚、完整的描述和讨论，显然，这里所描述的仅仅是本发明的一部分实例，并不是全部的实例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。

为了便于对本发明实施例的理解，下面将结合附图以具体实施例为例作进一步的解释说明，且各个实施例不构成对本发明实施例的限定。

如图1所示，本发明提出了镀锌厚度控制系统，包括前馈控制模块1以及反馈控制模块2，考虑到镀锌过程具有明显的非线性特性，本发明采用具有较强非线性映射能力的神经网络技术对该过程进行建模，前馈控制模块1与反馈控制模块2均包含一锌层厚度预测神经网络模型。

图1中各符号的意义参见下表：

表1

前馈控制模块1的输入为锌层厚度设定值Rcw(t)和生产线速度S(t)，输出为气刀刀距D_ffc(t)、气刀压力P_ffc(t)这两个控制量。反馈控制模块2根据气刀刀距D(t)、气刀压力P(t)、生产线速度测量值S(t)，使用神经网络计算得到锌层厚度预测值CWp(t)，然后进行滞后时间计算，对测厚仪测量值CWm(t)进行时间平移偏差校正技术校正CWp(t)，得到校正后的厚度预测值CWp′(t)。最后，将CWp′(t)引入反馈控制模块2计算得到反馈控制模块气刀压力设定值P_fbc(t)。

其中，前馈控制模块1运用人工智能方法，在气刀刀距、气刀压力构成的二维空间中搜索最优解，优化过程中解的评价指标有两个：1)将该解包含的气刀刀距、气刀压力值以及当前的生产线速度值输入到上述神经网络预测模型，使输出的锌层厚度预测值与设定值之差最小，该指标确保当镀锌厚度设定值或生产线速度发生较大变化时，控制系统能够及时改变控制变量，使得锌层厚度实际值能够迅速跟踪上设定值或克服生产线速度变化度锌层厚度带来的不利影响；2)在气刀刀距、气刀压力值，以及当前的生产线速度这三个因素共同决定的生产工况下，使气刀压力对锌层厚度的灵敏度(即增益)尽量较小，该指标可减小气刀压力自然波动对镀层厚度造成的影响。此外，优化过程的约束条件是使气刀刀距、气刀压力均需满足生产工艺的规范要求。如上所述，使用该前馈控制模块，可以同时给定前馈控制模块气刀刀距、气刀压力这两个控制量，快速补偿速度变化、镀层厚度设定值变化等扰动对镀层厚度的影响。

基于人工智能及气刀压力增益的前馈控制模块，其输入为镀层厚度设定值及当前的速度，输出为气刀刀距和气刀压力设定值。该前馈控制模块将前馈控制量计算描述成为数学规划问题，并采用人工智能在气刀刀距和气刀压力构成的二维空间中寻优求解，同时，气刀压力具有自然波动的特点，选取压力对镀层厚度增益较小的系统工作点作为操作点，从而进一步减小气刀压力波动对最终产品质量的影响。使用该前馈控制模块，可以同时给定气刀刀距、气刀压力这两个前馈控制量，快速补偿速度变化、镀层厚度设定值变化、气刀压力自然波动等扰动对镀层厚度的影响。

反馈控制模块采用标准的反馈控制器，但由于测厚仪测量值存在很大的变滞后，直接使用测厚仪的信息进行镀层厚度反馈闭环控制会产生明显的超调量和导致较长的调节时间。因此，本反馈控制模块并未直接采用测量值进行反馈，而是采用以下步骤计算得到：首先，基于当前的气刀刀距、气刀压力、生产线速度测量值，使用神经网络模型计算得到锌层厚度预测值；然后，采用基于积分的变滞后时间计算方法计算最近几个时刻对应的测量滞后时间值；最后，运用时间平移偏差校正技术，计算得到与最近几个时刻测量值相匹配的模型预测值，利用二者的偏差信息对锌层厚度预测值进行校正，克服系统不可测扰动和工况偏移的影响。将校正后的锌层厚度预测值作为反馈量引入反馈控制器计算得到气刀压力调整量，可以有效的克服系统测量大滞后的问题，提高控制质量。

由于神经网络具有很强的非线性拟合能力，该模型具有很高的精度，以神经网络预测值为基础，代替测厚仪测量值作为反馈控制器的反馈量输入，可以有效的克服系统测量大滞后的问题，提高控制质量；同时，神经网络具有良好的在线学习能力，能够根据测厚仪的实际测量信息，对新的工况信息进行参数学习调整，使模型能够始终保持与真实系统的匹配，具有更好的适应性和稳定性。

在每个控制周期内，系统运行流程图如图2所示，图中各步骤的详述如下：

不失一般性，可以令当前的控制周期时刻为t。

S101.判断与上一个周期采样值相比，目前生产线速度是否有较大的波动及镀层厚度设定值是否发生改变，若两种情况中有任意一种情况发生，则判定系统处于非稳态，进入S107，否则判定系统处于稳态，进入S102；

S102.根据当前的气刀刀距D(t)、气刀压力P(t)及生产线速度S(t)信息，采用预测神经网络预测实时锌层厚度CWp(t)，将预测神经网络的非线性映射关系记为NNp(·)，其表达式如下：

NNp(P(t),S(t),D(t))＝CWp(t) (1)

S103.基于积分的变滞后时间计算方法，对于任意时刻t_a的镀层厚度测量值CWm(t_a)，由于测量滞后的原因，产生该测量结果的控制量实际作用时刻为t_b，显然t_b＜t_a，t_a与t_b的时间差就是钢卷对应位置从气刀移动到测厚仪所需的时间，即滞后时间。本方法的目标就是根据t_a和其他信息计算得到t_b的值。具体而言，假设从气刀装置到测厚仪的距离为L，根据速度、时间与距离三者之间关系，可以得到：

基于在线采集到的生产线速度S(t)，采用差分或其它方法近似求解以上积分方程，可以得到t_b的值，不失一般性，可以令t_b＝r(t_a)，r(·)表示时间平移匹配函数。假设当前时刻为t，可以运用上述方法，求得其对应的时刻为r(t)。

S104.时间平移偏差校正，根据S103中计算得到的r(t)值，提取t时刻气刀压力P(r(t))、气刀刀距D(r(t))、生产线速度S(r(t))信息，采用公式(1)，即可得到测厚仪测量值CWm(t)对应的预测厚度值CWp(r(t))。以此类推，假设测厚仪最近的N个时刻的实际测量值序列为CWm(t)、CWm(t-1)、…、CWm(t-N+1)，可以得到其对应的厚度预测值序列CWp(r(t))、CWp(r(t-1))、…、CWp(r(t-N+1))。

以这些数据为基础，可以对S102得到的神经网络厚度预测值CWp(t)进行校正。具体而言，校正过程使用测厚仪测量值与预测值之间的偏差信息，采用滑动窗口法对时间窗口N内的偏差值进行加权平滑，得到如下校正后的预测值CWp′(t)：

式(3)中α_k,k＝0,1,...,N-1是一组预先设定的加权系数。

S105.计算锌层厚度设定值与反馈值偏差e(t)＝Rcw(t)-CWp′(t)，采用反馈控制模块计算气刀气压调整量值P_fbc(t)，该反馈控制模块可以选用标准PID控制器。

S106.令P_ffc(t)＝P_ffc(t-1)，将气刀压力P(t)＝P_fbc(t)+P_ffc(t)的值输出到生产系统，同时维持气刀刀距不变，本次控制周期控制量计算结束。

S107.采用前馈控制模块根据锌层厚度目标值和当前生产线速度确定气刀刀距D_ffc(t)、气刀压力P_ffc(t)这两个控制量。具体而言，这两个控制量的设定需满足以下两个目标：

1)在当前的生产线速度S(t)情况下，设置气刀刀距D_ffc(t)、气刀压力P_ffc(t)这两个值，尽量减小锌层厚度预测值与设定值之间的偏差，即：

2)在当前的生产线速度S(t)情况下，设置气刀刀距D_ffc(t)、气刀压力P_ffc(t)这两个值，使气刀压力对于锌层厚度的灵敏度尽量较小，即：

其中ΔP为预先给定的一个小的扰动量。

可以使用引入权重系数w₁,w₂将以上多目标优化问题合并为一个目标函数为：

约束条件是D_ffc(t)，P_ffc(t)在工艺规程要求的范围以内，即：

D_ffc(t)∈[D_Lower,D_Upper]

P_ffc(t)∈[P_Lower,P_Upper]

其中D_Lower,D_Upper,P_Lower,P_Upper分别为工艺规程要求的气刀刀距的下限、上限和气刀压力下限、上限。优化问题的决策变量为D_ffc(t)、P_ffc(t)。

上述步骤采用数学规划形式描述前馈控制器设定值计算问题，该优化命题可以采用人工智能算法(如遗传算法、模拟退火算法、蚁群算法)求解，即可得到气刀刀距、气刀压力设定值。

S108:令P_fbc(t)＝0，将气刀压力P_ffc(t)，气刀刀距D_ffc(t)输入到生产系统，本次控制周期控制量计算结束。

此外，每隔一定的时间，系统在线采集这段时间内运行所产生的新的生产数据，筛选出样本，对预测神经网络权重进行继续训练，更新神经网络。具体而言，采用反向传播方法更新神经网络的权重，使预测神经网络能够学习到新的工况信息，可以自动适应系统特征的变化。

根据计算所得的时变测量滞后时间，采用数据平移方法，找到与测量值相匹配的模型预测值，根据匹配后的实际测量值与模型预测值之间的偏差，对当前神经网络厚度预测值进行在线校正。采用该偏差校正技术，可以克服系统运行过程中不可测扰动或系统工作点漂移引起的预测神经网络与真实系统的失配问题，减小二者间的误差，进而提高反馈控制效果。

以下以镀锌实际生产过程为例，说明本发明所取得的有益效果：

图3中列出了采用本发明设计的控制系统投运前和投运后对于减少产品质量波动、提高镀层厚度控制精度、减少过量锌消耗的效果对比。从图中可以看到，以镀层厚度为120g/m²规格的产品为例，系统投运前，镀层厚度质量波动较大，为了保证产品质量符合镀层质量规格下限的要求，生产企业不得不将镀层厚度控制目标值设定在125g/m²，否则将出现不合格产品；系统投运后，由于镀层厚度控制精度得到了大幅提高，产品的质量波动大大减少，在保证产品合格率的前提下，镀层厚度控制目标值可以降低为122.4g/m²，可以看到，所降低的2.6g/m²即为采用本发明所述方法后减少的单位产品的过量锌消耗。

图4、图5中分别列出了采用本发明方法设计的控制系统投运前和投运后对于减少不同规格间产品切换过渡时间的效果对比。可以从图中看出，投运前，系统从镀层厚度规格120g/m²切换至80g/m²时，切换时间t1为800秒左右，从镀层厚度规格80g/m²切换回120g/m²时，切换时间t2为650秒左右；当系统投运后，系统从镀层厚度规格120g/m²切换至80g/m²时，切换时间t3为400秒左右，从镀层厚度规格80g/m²切换回120g/m²时，切换时间t4为350秒左右。从上述控制系统投运前和投运后不同规格间产品切换过渡时间对比可以看出，采用本发明所述方法，可显著缩短系统在不同规格产品之间切换的过渡时间，减少过渡期间等外品的数量。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (4)

1.一种镀锌厚度控制系统，其特征在于，包括前馈控制模块以及反馈控制模块，所述前馈控制模块与所述反馈控制模块均包含一锌层厚度预测神经网络模型；

所述前馈控制模块的输入为锌层厚度设定值以及当前生产线速度测量值，输出为前馈控制模块气刀刀距设定值以及前馈控制模块气刀压力设定值，前馈控制模块在生产工艺规程允许的气刀刀距设定值与气刀压力设定值构成的二维空间中搜索最优解；

所述反馈控制模块根据当前气刀刀距测量值、当前气刀压力测量值以及当前生产线速度测量值计算得到锌层的厚度预测值，然后进行滞后时间计算，对锌层的厚度测量值进行时间平移偏差校正，得到校正后的厚度预测值，以所述校正后的厚度预测值为反馈量计算反馈控制模块气刀压力设定值。

2.一种镀锌厚度控制方法，其特征在于，提供如权利要求1所述的镀锌厚度控制系统，令当前控制周期时刻为t，执行步骤：

S1、判断与上一周期采样值相比，当前生产线速度是否有超过预定值的波动，或者判断锌层厚度设定值是否发生改变，若有任意一种情况的判断结果为是，则进入S3，否则进入S2；

S2、采用反馈控制模块计算反馈控制模块气刀压力设定值P_fbc(t)，令前馈控制模块气刀压力设定值P_ffc(t)＝P_ffc(t-1)，输出P_fbc(t)+P_ffc(t)的气刀压力设定值至生产系统，同时维持气刀刀距不变，本次控制周期控制量计算结束；

S3、采用前馈控制模块计算前馈控制模块气刀刀距设定值D_ffc(t)，前馈控制模块气刀压力设定值P_ffc(t)，将前馈控制模块气刀刀距设定值D_ffc(t)以及前馈控制模块气刀压力设定值P_ffc(t)输出至生产系统，本次控制周期控制量计算结束。

3.根据权利要求2所述的镀锌厚度控制方法，其特征在于，步骤S2包括：

S102、根据t时刻气刀刀距测量值D(t)、t时刻气刀压力测量值P(t)及t时刻生产线速度测量值S(t)，采用预测神经网络模型预测当前锌层厚度预测值CWp(t)，将预测神经网络模型的非线性映射关系记为NNp(·)，其表达式为：NNp(P(t),S(t),D(t))＝CWp(t)；

S103、基于积分的变滞后时间计算方法，对于任意时刻t_a的厚度测量值CWm(t_a)，由于滞后的原因，产生所述厚度测量值CWm(t_a)的控制量实际作用时刻为t_b，假设气刀装置到测厚仪的距离为L，根据速度、时间与距离的关系得到：根据已知变量L，S(t)，t_a，求解上述积分方程，可以得到变量t_b的值，即针对每一个t_a都可以计算得到一个t_b与之对应，因此定义时间平移函数r(·)表示t_a与t_b之间的映射关系，即t_b＝r(t_a)，则对于当前时刻t，求得对应的时刻为r(t)；

S104、根据计算得到的r(t)，提取对应时刻气刀压力P(r(t))、对应时刻气刀刀距D(r(t))以及对应时刻生产线速度S(r(t))，采用预测神经网络模型计算t时刻测厚仪的厚度测量值CWm(t)对应时刻的厚度预测值CWp(r(t))；

以此类推，计算N个时刻的厚度测量值CWm(t)、CWm(t-1)、…、CWm(t-N+1)对应时刻的厚度预测值CWp(r(t))、CWp(r(t-1))、…、CWp(r(t-N+1))，以此对S102中得到的CWp(t)进行校正，校正过程使用测厚仪的厚度测量值与厚度预测值之间的偏差信息，采用滑动窗口法对时间窗口N内的偏差值进行加权平滑，得到如下校正后的厚度预测值：α_k,k＝0,1,...,N-1是一组预先设定的加权系数；

S105、计算t时刻厚度设定值与校正后的厚度预测值的偏差e(t)＝Rcw(t)-CWp′(t)，采用反馈控制模块计算t时刻反馈控制模块气刀压力设定值P_fbc(t)；

S106、令P_ffc(t)＝P_ffc(t-1)，将P(t)＝P_fbc(t)+P_ffc(t)输出到生产系统，同时维持气刀刀距不变，本次控制周期控制量计算结束。

4.根据权利要求2所述的镀锌厚度控制方法，其特征在于，步骤S3包括：

S107、采用前馈控制模块计算前馈控制模块气刀刀距设定值D_ffc(t)，前馈控制模块气刀压力设定值P_ffc(t)，满足：

1)在t时刻生产线速度S(t)下，尽量减小锌层厚度预测值与设定值之间的偏差：

2)在t时刻生产线速度S(t)下，尽量减小气刀压力对于锌层厚度的灵敏度：ΔP为预先给定的扰动量；

引入权重系数w₁,w₂将1)、2)合并为一个目标函数：

$\begin{array}{c}\underset{P_{ffc}\left(t\right),D_{ffc}\left(t\right)}{min}{w}_1\·|NNp\left(P_{ffc}\right(t),S(t),D_{ffc}(t\left)\right)-Rcw\left(t\right)|\\ +w_2\·\left|\frac{NNp\left(P_{ffc}\right(t)+\mathrm{\Δ}P,S(t),D_{ffc}(t\left)\right)-NNp\left(P_{ffc}\right(t),S(t),D_{ffc}(t\left)\right)}{\mathrm{\Δ}P}\right|\end{array}$

约束条件是D_ffc(t)，P_ffc(t)在工艺规程要求的范围以内，即：

D_ffc(t)∈[D_Lower,D_Upper]

P_ffc(t)∈[P_Lower,P_Upper]

其中，D_Lower,D_Upper,P_Lower,P_Upper分别为工艺规程要求的气刀刀距下限、气刀刀距上限、气刀压力下限以及气刀压力上限，优化问题的决策变量为D_ffc(t)、P_ffc(t)；

S108、令P_fbc(t)＝0，将前馈控制模块气刀刀距设定值D_ffc(t)以及前馈控制模块气刀压力设定值P_ffc(t)输出至生产系统，本次控制周期控制量计算结束。