CN106637026A - 一种镀锌过程气刀压力实时优化控制方法及系统 - Google Patents

Abstract

本发明涉及一种镀锌过程气刀压力实时优化控制方法，以镀层厚度神经网络预测模型为基础，采用基于变时滞时间对应的偏差校正与基于增量PID算法的实时优化技术，提供优良的抗干扰与随动控制效果。当镀层厚度因外界干扰偏离设定值时，基于偏差校正后的镀层厚度预测值与设定值之间的差异，对气刀压力进行实时优化，使镀层厚度保持在设定值附近；当产品切换时，基于未经偏差校正的镀层厚度预测值对气刀压力进行迭代优化，使得镀层厚度紧密跟随设定值的变化曲线快速完成切换过程。本发明通过上述技术有效克服外界干扰给镀层厚度带来的不良影响，并实现不同镀层厚度产品之间的快速切换，可明显减小镀层质量波动，降低过量锌耗，提高镀锌产品的合格率。

Description

一种镀锌过程气刀压力实时优化控制方法及系统

技术领域

本发明涉及镀锌工艺技术领域及工业过程实时优化控制技术领域，尤其是涉及一种镀锌过程气刀压力实时优化控制方法及系统。

背景技术

进入二十一世纪，我国正在由钢铁大国迈向钢铁强国。调整产业结构，发展深加工和高附加值产品，提高产品的竞争力是我国钢铁工业的发展方向。

然而，据统计，我国每年因腐蚀报废的金属制品占世界总金属年产量的三分之一，说明解决钢材的腐蚀问题对我国具有非常重要的经济意义。镀锌工艺能够有效的防止钢材腐蚀，延长使用寿命，其锌层厚度控制精度是热镀锌产品质量控制精度的主要内容之一，不管是汽车板用户还是家电板使用厂家，包括钢铁制造商，为了控制生产成本，提高产品质量，都对热镀锌产品的锌层厚度控制水平提出了严格的要求。

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。热镀锌是将除锈并经退火工艺后的钢件浸入融化的锌液中，使钢构件表面附着锌层，从而起到防腐蚀的目的。

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，而由于测量工艺原理的限制，需要在镀层锌液冷却后才能获得精确的镀层厚度测量值，为了等待镀层锌液冷却，测厚仪的安装位置常常距离气刀较远，导致气刀处控制作用对镀层厚度的影响需要较长的时间后才能检测到，即系统具有较大的测量滞后。

(2)镀锌过程受到空气动力、边界流层、传热等多个复杂的物理因素作用，最终的锌层厚度和镀层前后均匀性主要受气刀距离、气刀气压、带钢速度等三个变量共同作用的影响，而这些变量对镀层厚度和镀层横向均匀性的影响原理较为复杂，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)镀锌的生产过程干扰因素众多，比如镀层厚度切换、带钢速度升降、气刀高度，喷嘴缝隙，带钢的温度、板厚、板宽、表面粗糙度，生产线张力，锌锅的温度以及化学成分、带钢板形和带钢抖动等因素的变化都将对镀层厚度和纵向均匀性产生影响，其中镀层厚度切换和带钢速度升降对镀层厚度和纵向均匀性的影响最大。

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，控制难度大。目前国内大部分钢厂企业主要依赖于操作工的经验采用人工设定刀距与气刀压力设定值并结合底层回路PID的方式进行控制，其操作滞后、控制精度低、锌耗量大、质量波动大，甚至不能保证镀层厚度和镀层均匀度的质量要求。因此，镀层厚度自动控制系统也逐渐在一些企业中得到了运用，其对于提高镀锌厚度控制精度和自动化水平具有一定的作用。从原理上分析，目前镀锌厚度系统普遍采用以气刀压力为主，气刀距离为辅的控制方法，其中气刀距离指的是前后两侧气刀之间的距离。然而，由于镀锌生产过程存在的控制难点，目前的反馈控制方法普遍面临以下两个问题：

1)抗干扰问题

影响镀层厚度的因素众多，如：气刀距离、气刀高度、气刀压力、生产线速度、锌锅液位、锌锅温度、钢种、生产线张力等。其中，气刀距离、气刀压力和生产线速度是影响镀层厚度的主要变量，除了生产线速度由退火炉生产能力限制外，气刀距离和气刀压力都可作为镀层厚度控制系统的决策变量，生产企业一般通过调节气刀距离或者压力对镀层厚度进行控制，采用气刀距离对镀层厚度进行控制时，由于气刀距离改变的最小步长为一个气刀距离单位(0.1mm)，在某些增益较大的敏感工作点附近，这种不连续的调整方式会带来镀层厚度的反复波动，因此目前多数企业采用气刀压力进行镀层厚度的控制，即由操作人员依据经验对设定值进行手工调整，这种人工控制方式依赖于操作工的生产经验，不可避免地会引起镀层的过薄或过厚，最终导致镀锌产品质量下降和锌原料的浪费。因此开发高性能的锌层厚度自动控制系统对于提高产品质量和节约原料具有重要意义。

2)跟随性问题

当镀层厚度设定值切换时，为了确保产品质量合格，目前国内钢厂多采用人工手动操作结合传统的PID控制。在热镀锌生产线上，镀层厚度都是以测厚仪测出的实际数据为依据，为了避免温度的影响和提高检测精度，测厚仪采用冷态测量原理，往往安装在锌锅之后100多米的位置，由于无自动控制系统，完全依靠人工调整，工艺参数波动较大，调整的时间长、过渡时有大量等外品产生、过量锌液消耗过大等问题。因而当操作人员从镀层厚度显示界面发现实际厚度与目标值有误差而进行重新修正时，已经产生100多米的镀层厚度不合格产品。即使在稳定状态，为了满足连续生产的需要，有时也需要人为地改变当前的稳定状态，向下一个控制目标条件下的稳定状态过渡。由于气刀控制参数的过度变化会严重影响到镀层控制精度，甚至会引起锌液飞溅的后果，所以迫切需要实现镀层厚度变规格的自动过渡控制。

针对镀层厚度控制的抗干扰性和跟随性问题，国内也有相关专利和文献提出了基于模型的控制方法，如公开号为CN102912275.A的专利《一种热镀锌线镀层厚度自动控制系统》，当镀层厚度设定值或速度变化时，采用最小二乘法描述镀层厚度w与带钢速度s、气刀压力p、气刀距离d之间的映射关系，采用前馈控制计算气刀压力设定值；当系统处于相对平稳(小干扰)时，针对过程的大滞后、非线性、时变特性选用通用型无模型自适应控制器，通过前N个采样值来分析偏差的整个趋势，观察过程的动态特性，并利用神经网络技术，计算出下一步控制作用。然而，上述方法在外界干扰时，侧重于实现快速切换，而无法对气压进行实时优化，尤其是升降速时，没有利用偏差矫正机制，从而降低了控制精度；平稳控制时，通过调节参数实现反馈控制，控制作用缓慢，不能够快速动作以克服扰动影响。该专利没有涉及气刀压力实时优化方法。

为了解决抗干扰性和跟随性问题，公开号为CN103695830.A的专利《一种热镀锌生产过程中镀层厚度控制方法》，采用气刀压力的自适应调整计算，抑制了生产线升降速对镀层厚度的扰动，提高了系统响应速度；采用气刀压力反馈控制方法，通过对气刀压力反馈修正计算对镀层厚度偏差进行修正，解决了操作工手动控制所引起的镀层厚度偏差过大问题，提高了镀锌钢板产品表面质量，减少锌原料消耗，降低生产成本。然而，上述方法在升降速时，通过前馈控制模型计算气刀压力的设定值，从而保证镀层厚度，但是该方法的控制精度完全取决于该模型的精度；相对平稳(小干扰)时，气压压力采用气刀压力修正计算模型，镀层厚度偏差修正缓慢。该专利亦没有涉及气刀压力实时优化方法，也没有涉及镀层厚度切换的跟随性问题。

综上所述，现有镀层厚度控制系统中在处理外界强干扰(升降速)或镀层厚度切换时，采用气刀压力自适应调整计算或前馈控制克服外界扰动带来的锌层厚度波动，该类方法的控制品质受制于模型精度，无法保证在整个操作工况范围内的控制效果达到产品质量要求；同时当系统处于稳态时，则采用传统的反馈闭环控制或通用无模型自适应控制器，镀层厚度偏差的修正速度较慢，容易造成控制量的超调，引起镀层厚度在控制目标值附近波动。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种镀锌过程气刀压力实时优化控制方法及系统，当镀层厚度因外界干扰偏离设定值时，基于偏差校正后的镀层厚度预测值与设定值之间的差异，对气刀压力进行实时优化，克服外界扰动的不良影响，使镀层厚度保持在设定值附近；当产品镀层厚度切换时，基于未经偏差校正的镀层厚度预测值不断对气刀压力进行迭代优化，使得镀层厚度紧密跟随设定值的变化曲线快速完成切换过程。本发明通过上述技术有效克服外界干扰给镀层厚度带来的不良影响，并实现不同产品之间的快速切换，可明显减小镀层质量波动，降低过量锌耗，提高镀锌产品的合格率。

本发明的目的可以通过以下技术方案来实现：一种镀锌过程气刀压力实时优化控制方法，该方法包括以下步骤：

S1、获取当前时刻的工况信息，包括气刀距离D(t)，气刀压力P(t)，生产线速度S(t)、镀层厚度测量值CW_act(t)和镀层厚度设定值CW_set(t)；

S2、判断式(1)是否成立，如果是，执行S3，否则，执行S4，

CW_set(t)＝CW_set(t-1) (1)

其中，t表示当前时刻，t-1表示上一采样时刻，CW_set(t-1)表示上一采样时刻的镀层厚度设定值，S(t-1)表示上一采样时刻的生产线速度；

S3、将S1中的当前工况信息输入神经网络预测模型后得到的输出作为镀层厚度预测值CW_pred(t)，将镀层厚度设定值CW_set(t)与镀层厚度预测值CW_pred(t)的差值作为镀层厚度控制偏差，执行S7；

S4、通过机理法计算当前时刻测厚仪的测量滞后时间τ(t)，并根据当前时刻的镀层厚度测量值CW_act(t)，通过过程量时域匹配，得到气刀距离D(t-τ(t))、气刀压力P(t-τ(t))和生产线速度S(t-τ(t))；

S5、将气刀距离D(t-τ(t))、气刀压力P(t-τ(t))和生产线速度S(t-τ(t))输入神经网络预测模型后得到的输出作为当前时刻的神经网络预测值，并与当前镀层厚度测量值CW_act(t)比较得到当前时刻的模型偏差bias(t)，并通过滑动窗口法对当前时刻的模型偏差及之前各时刻的模型偏差进行加权平滑，得到最终模型偏差；

S6、将S1中的当前工况信息输入神经网络预测模型后得到的输出加上最终模型偏差作为镀层厚度预测值CW_pred(t)，将镀层厚度设定值CW_set(t)与镀层厚度预测值CW_pred(t)的差值作为镀层厚度控制偏差；

S7、如果镀层厚度控制偏差大于阈值，则执行S8，否则，保持气刀压力设定值不变，并在一个采样周期后返回S1；

S8、根据当前工况信息及镀层厚度控制偏差，采用增量式PID算法求解气刀压力设定值P_set，并在一个采样周期后返回S1。

所述步骤S3包括：

S301、将气刀距离D(t)，气刀压力P(t)，生产线速度S(t)输入神经网络预测模型，得到镀层厚度预测值CW_pred(t)，如式(2)所示：

CW_pred(t)＝NNp{D(t),P(t),S(t)} (2)

其中，NNp{*}表示神经网络预测模型的非线性映射关系；

S302、计算镀层厚度控制偏差CWm，如式(3)所示：

CWm＝CW_set(t)-CW_pred(t) (3)。

所述步骤S4包括：

S401、采用机理法根据式(4)和式(5)计算当前测厚仪的测量滞后时间τ(t)，

τ(t)＝λ(t)+T_m (4)

其中，T_m为测厚仪的测量时间，L为气刀装置到测厚仪的距离，ΔT为系统采样周期，k＝0,1,2,3…；

S402、根据当前镀层厚度测量值CW_act(t)，通过滞后时间τ(t)进行过程量匹配，获取与当前镀层厚度测量值CW_act(t)匹配的气刀距离D(t-τ(t))、气刀压力P(t-τ(t))和生产线速度S(t-τ(t))。

所述步骤S5包括：

S501、将气刀距离D(t-τ(t))、气刀压力P(t-τ(t))和生产线速度S(t-τ(t))输入神经网络预测模型，得到模型输出值并与当前镀层厚度测量值CW_act(t)比较，得到当前时刻的模型偏差bias(t)，如式(6)所示，

bias(t)＝CW_act(t)-NNp{D(t-τ(t)),P(t-τ(t)),S(t-τ(t))} (6)

其中，NNp{*}表示神经网络的非线性映射关系；

S502、采用滑动窗口法对时间窗口N内的各时刻的模型偏差进行加权平滑，得到最终的模型偏差Bias，如式(7)所示，

其中，β_k,k＝0,1,...,N-1是一组预先设定的加权系数，且满足bias(t-k)是时间窗口N内已知的各时刻的模型偏差。

所述步骤S6包括：

S601、将气刀距离D(t)、气刀压力P(t)、生产线速度S(t)输入神经网络预测模型，得到模型输出值并加上步骤S502所得的最终的模型偏差Bias得到当前的镀层厚度预测值，如式(8)所示，

CW_pred(t)＝NNp{D(t),P(t),S(t)}+Bias (8)

S602、计算镀层厚度控制偏差CWm，如式(9)所示，

CWm＝CW_set(t)-CW_pred(t) (9)

其中，CW_set(t)表示镀层厚度设定值。

所述步骤S8具体为：

目标函数：min|CWt-CWp|

决策变量：P

约束条件：

CWp＝NN(D_ini,P,S_ini)

CWt＝NN(D_ini,P_ini,S_ini)+CWm

P∈[Pmin,Pmax]

根据增量式PID算法对P进行迭代寻优，其中增量式PID算法为：

error＝CWt-CWp (10)

P_error＝error-error_1 (11)

I_error＝error (12)

D_error＝error-2*error_1+error_2 (13)

Δu＝Kp*P_error+Ki*I_error+Kd*D_error (14)

P＝P-Δu (15)

其中，P的初始值为P_ini，error_1是error迭代计算中的上一迭代值，error_2是error_1迭代计算中的上一迭代值，通过式(10)～式(15)的迭代计算，所得的使CWp逼近CWt的P的值即为气刀压力设定值P_set。

本发明还提供一种镀锌过程中气刀压力实时优化控制系统，用于实现上述的方法，该系统包括：

输入采样模块，用于获取当前时刻的工况信息，包括气刀距离D(t)，气刀压力P(t)，生产线速度S(t)、镀层厚度测量值CW_act(t)和镀层厚度设定值CW_set(t)；

神经网络预测模块，与所述输入采样模块连接，所述神经网络预测模块的输入为生产线速度、气刀距离、气刀压力，输出为镀层厚度值，所述神经网络预测模块的映射关系为：NNp(D(t),S(t),P(t))＝CWp(t)；

随动控制模块，与所述神经网络预测模块连接，用于镀层厚度设定值切换时，将当前时刻的工况信息输入至所述神经网络预测模块得到当前时刻的镀层厚度预测值并与当前时刻的镀层厚度设定值相减得到镀层厚度控制偏差；

抗干扰控制模块，与所述神经网络预测模块连接，用于在生产线速度、锌锅液位、锌锅温度、生产线张力、钢种等工况发生变化时，通过神经网络模型和模型偏差矫正机制，矫正镀层厚度控制偏差；

实时优化模块，与所述神经网络预测模块、随动控制模块及抗干扰控制模块连接，其目标函数为镀层厚度预测值与镀层厚度设定值之间的偏差，而决策变量为气刀压力，约束条件为神经网络预测模块的生产线速度、气刀距离、气刀压力与镀层厚度之间的映射关系，以及气刀压力的工艺规程约束，采用增量式PID算法对气刀压力寻优，消除镀层厚度控制偏差。

所述抗干扰控制模块包括：

变时滞计算单元，采用机理法计算当前测厚仪的测量滞后时间τ(t)；

过程量时域匹配单元，与所述变时滞计算单元和神经网络预测模块连接，根据当前镀层厚度测量值CW_act(t)，通过滞后时间τ(t)进行过程量匹配，获取与当前镀层厚度测量值CW_act(t)匹配的气刀距离D(t-τ(t))、气刀压力P(t-τ(t))和生产线速度S(t-τ(t))并输出至所述神经网络预测模块；

模型偏差计算单元，与所述神经网络预测模块连接，将所述神经网络预测模块的输出值与当前镀层厚度测量值CW_act(t)比较，得到当前时刻的模型偏差bias(t)，然后采用滑动窗口法对时间窗口N内的各时刻的模型偏差进行加权平滑，得到最终的模型偏差Bias；

预测模型矫正单元，与所述模型偏差计算单元、神经网络预测模块和实时优化模块连接，用于将所述神经网络预测模块根据当前时刻的工况信息输出的镀层厚度值加上最终的模型偏差Bias得到当前时刻的镀层厚度预测值，并将该预测值与所述镀层厚度设定值CW_set(t)比较得到镀层厚度控制偏差。

与现有技术相比，本发明具有以下优点：

(1)本发明采用神经网络模型，与传统的回归模型相比，神经网络具有很强的非线性拟合能力，能更加准确地反映镀锌生产过程的非线性特性，与现有采用线性回归模型对镀锌生产过程进行控制的方法相比，神经网络模型可以对镀锌生产的全工况进行高精度的预测，确保本发明的在镀锌生产的各种操作条件下都具有良好的控制精度与品质。

(2)传统反馈PID需要多次根据反馈量与设定值偏差进行控制，由于镀锌生产系统的测量大滞后性，使得镀层厚度逼近控制目标的过程非常缓慢，甚至出现镀层厚度在镀层厚度控制目标附近振荡的情况，控制效果差。本发明以镀层厚度与镀层厚度设定值之间的偏差为目标，以气刀压力的工艺规程为约束，采用增量式PID算法对气刀压力进行迭代寻优，一次性消除镀层厚度与控制目标之间的偏差，不仅保证镀层厚度满足控制目标，保证了镀层厚度的表面质量，同时优化了操作参数，以克服强干扰带来的影响，并保证平稳控制时镀层厚度的精准控制。

(3)本发明在系统受到干扰时，通过机理法、过程时域匹配法等计算当前镀层厚度测量值与模型输出之间的偏差，进行模型偏差矫正，从而精确预测出当前工况下镀层厚度预测值，有效地克服了因为生产线干扰对系统所带来的影响，使得系统在受到外界干扰的情况下快速跟踪镀层厚度设定值，补偿外界干扰所带来的影响，保证了镀锌产品的质量稳定。

(4)采用本发明的控制方法，可以在镀层厚度切换时，准确快速地优化气刀压力，以实现快速消除镀层厚度偏差，从而保证镀层厚度的快速切换，同时可以在系统处于相对平稳控制时，准确地优化气刀压力，以精确地消除镀层厚度偏差，实现镀层厚度的精准控制。

附图说明

图1为本发明方法的流程图；

图2为系统稳定时，本发明方法的控制效果图。

图3为一种系统不稳定状况时，本发明方法的控制效果图。

图4为另一种系统不稳定的状况时，本发明方法的控制效果图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。本发明中各符号的意义参见下表：

本申请实施例提供的一种镀锌过程气刀压力实时优化控制方法，如图1所示，包括以下步骤：

S1、获取当前时刻的工况信息，包括气刀距离D(t)，气刀压力P(t)，生产线速度S(t)、镀层厚度测量值CW_act(t)和镀层厚度设定值CW_set(t)；

S2、判断式(1)是否成立，如果是，执行S3，否则，执行S4，

CW_set(t)＝CW_set(t-1) (1)

其中，t表示当前时刻，t-1表示上一采样时刻，CW_set(t-1)表示上一采样时刻的镀层厚度设定值，S(t-1)表示上一采样时刻的生产线速度；

S3、将S1中的当前工况信息输入神经网络预测模型后得到的输出作为镀层厚度预测值CW_pred(t)，将镀层厚度设定值CW_set(t)与镀层厚度预测值CW_pred(t)的差值作为镀层厚度控制偏差，执行S7；

S4、通过机理法计算当前时刻测厚仪的测量滞后时间τ(t)，并根据当前时刻的镀层厚度测量值CW_act(t)，通过过程量时域匹配，得到气刀距离D(t-τ(t))、气刀压力P(t-τ(t))和生产线速度S(t-τ(t))；

S5、将气刀距离D(t-τ(t))、气刀压力P(t-τ(t))和生产线速度S(t-τ(t))输入神经网络预测模型后得到的输出作为当前时刻的神经网络预测值，并与当前镀层厚度测量值CW_act(t)比较得到当前时刻的模型偏差bias(t)，并通过滑动窗口法对当前时刻的模型偏差及之前各时刻的模型偏差进行加权平滑，得到最终模型偏差；

S6、将S1中的当前工况信息输入神经网络预测模型后得到的输出加上最终模型偏差作为镀层厚度预测值CW_pred(t)，将镀层厚度设定值CW_set(t)与镀层厚度预测值CW_pred(t)的差值作为镀层厚度控制偏差；

S7、如果镀层厚度控制偏差大于阈值，则执行S8，否则，保持气刀压力设定值不变，并在一个采样周期后返回S1；

S8、根据当前工况信息及镀层厚度控制偏差，采用增量式PID算法求解气刀压力设定值P_set，并在一个采样周期后返回S1。

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，对神经网络的权重进行继续训练，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。通过在线学习，提高神经网络预测精度，从而实时优化气刀压力，使得镀层厚度精准跟随镀层厚度设定值，保证产品质量。

采用本发明的控制方法，可以在系统受到强干扰时，准确地优化气刀压力，以快速消除镀层厚度偏差，从而保证镀层厚度的均匀性，同时可以在系统平稳控制时，准确地优化气刀压力，以精确地消除镀层厚度偏差，实现镀层厚度的精准控制。

具体来说，1、本发明的方法在系统受到干扰时，采用抗干扰控制算法(步骤S4、S5、S6)，有效地克服了因为生产线升降速、锌液变化、钢种变化等干扰对系统所带来的影响，使得系统在受到干扰的情况下快速精准地跟踪镀层厚度设定值，保证了镀锌产品的质量稳定。

2、本发明在系统平稳时采用随动控制算法(步骤S3)，有效地克服了镀层厚度设定值切换给系统带来的影响，系统不断优化气刀压力，使得镀层厚度快速跟随镀层厚度设定值，保证了镀锌产品质量的稳定性。

3、本发明采用气刀压力实时优化方法(步骤S8)，根据当前系统的工况信息及镀层厚度控制偏差，通过增量式PID算法实时计算出气刀压力改变量，保证镀层厚度满足控制目标，不仅保证了镀层厚度的表面质量，同时优化了操作参数，以克服强干扰带来的影响，并保证平稳控制时镀层厚度的精准控制。

下面对本发明的方法进行具体描述，但不作为限制。

步骤S3进一步包括：

S301、将气刀距离D(t)，气刀压力P(t)，生产线速度S(t)输入神经网络预测模型，得到镀层厚度预测值CW_pred(t)，如式(2)所示：

CW_pred(t)＝NNp{D(t),P(t),S(t)} (2)

其中，NNp{*}表示神经网络预测模型的非线性映射关系；

S302、计算镀层厚度控制偏差CWm，如式(3)所示：

CWm＝CW_set(t)-CW_pred(t) (3)

在系统镀层厚度切换时，由于工况变化较大，当前的模型偏差矫正已不适用，故神经网络预测模型根据当前工况信息的输出即为镀层厚度预测值，

步骤S4进一步包括：

S401、采用机理法根据式(4)和式(5)计算当前测厚仪的测量滞后时间τ(t)，

τ(t)＝λ(t)+T_m (4)

其中，T_m为测厚仪的测量时间，L为气刀装置到测厚仪的距离，ΔT为系统采样周期，k＝0,1,2,3…；

S402、根据当前镀层厚度测量值CW_act(t)，通过滞后时间τ(t)进行过程量匹配，获取与当前镀层厚度测量值CW_act(t)匹配的气刀距离D(t-τ(t))、气刀压力P(t-τ(t))和生产线速度S(t-τ(t))。

步骤S5进一步包括：

S501、将气刀距离D(t-τ(t))、气刀压力P(t-τ(t))和生产线速度S(t-τ(t))输入神经网络预测模型，得到一输出值并与当前镀层厚度测量值CW_act(t)比较，得到当前时刻的模型偏差bias(t)，如式(6)所示，

bias(t)＝CW_act(t)-NNp{D(t-τ(t)),P(t-τ(t)),S(t-τ(t))} (6)

其中，NNp{*}表示神经网络的非线性映射关系；

S502、采用滑动窗口法对时间窗口N内的各时刻的模型偏差进行加权平滑，得到最终的模型偏差Bias，如式(7)所示，

其中，β_k,k＝0,1,...,N-1是一组预先设定的加权系数，且满足bias(t-k)是时间窗口N内已知的各时刻的模型偏差。

步骤S6进一步包括：

S601、将气刀距离D(t)、气刀压力P(t)、生产线速度S(t)输入神经网络预测模型，得到模型输出值并加上步骤S502所得的最终的模型偏差Bias得到当前的镀层厚度预测值，如式(8)所示，

CW_pred(t)＝NNp{D(t),P(t),S(t)}+Bias (8)

S602、计算镀层厚度控制偏差CWm，如式(9)所示，

CWm＝CW_set(t)-CW_pred(t) (9)

其中，CW_set(t)表示镀层厚度设定值；

步骤S4、S5、S6在系统受到外界干扰时，通过变时滞计算、过程量时域匹配和滑动窗口法得到模型偏差，以补偿生产线速度升降、锌锅液位变化、锌锅温度变化、钢种变化等干扰所带来的影响，使得镀层厚度预测值更加精准。

步骤S8的实时优化过程具体为：

目标函数：min|CWt-CWp|

决策变量：P

约束条件：

CWp＝NN(D_ini,P,S_ini)

CWt＝NN(D_ini,P_ini,S_ini)+CWm

P∈[Pmin,Pmax]

根据增量式PID算法对P进行迭代寻优，其中增量式PID算法为：

error＝CWt-CWp (10)

P_error＝error-error_1 (11)

I_error＝error (12)

D_error＝error-2*error_1+error_2 (13)

Δu＝Kp*P_error+Ki*I_error+Kd*D_error (14)

P＝P-Δu (15)

其中，P的初始值为P_ini，error_1是error迭代计算中的上一迭代值，error_2是error_1迭代计算中的上一迭代值，通过式(10)～式(15)的迭代计算，所得的使CWp逼近CWt的P的值即为气刀压力设定值P_set。

本发明还提供一种镀锌过程中气刀压力实时优化控制系统，用于实现上述的方法，该系统包括：

输入采样模块，用于获取当前时刻的工况信息，包括气刀距离D(t)，气刀压力P(t)，生产线速度S(t)、镀层厚度测量值CW_act(t)和镀层厚度设定值CW_set(t)；

神经网络预测模块，与输入采样模块连接，神经网络预测模块的输入为生产线速度、气刀距离、气刀压力，输出为镀层厚度值，神经网络预测模块的映射关系为：NNp(D(t),S(t),P(t))＝CWp(t)；

随动控制模块，与所述神经网络预测模块连接，用于镀层厚度设定值切换时，将当前时刻的工况信息输入至所述神经网络预测模块得到当前时刻的镀层厚度预测值并与当前时刻的镀层厚度设定值相减得到镀层厚度控制偏差；

抗干扰控制模块，与所述神经网络预测模块连接，用于在生产线速度、锌锅液位、锌锅温度、生产线张力、钢种等工况发生变化时，通过神经网络模型和模型偏差矫正机制，矫正镀层厚度控制偏差；

实时优化模块，与所述神经网络预测模块、随动控制模块及抗干扰控制模块连接，其目标函数为镀层厚度预测值与镀层厚度设定值之间的偏差，而决策变量为气刀压力，约束条件为神经网络预测模块的生产线速度、气刀距离、气刀压力与镀层厚度之间的映射关系，以及气刀压力的工艺规程约束，采用增量式PID算法对气刀压力寻优，消除镀层厚度控制偏差。

抗干扰控制模块包括：

变时滞计算单元，采用机理法计算当前测厚仪的测量滞后时间τ(t)；

过程量时域匹配单元，与变时滞计算单元和神经网络预测模块连接，根据当前镀层厚度测量值CW_act(t)，通过滞后时间τ(t)进行过程量匹配，获取与当前镀层厚度测量值CW_act(t)匹配的气刀距离D(t-τ(t))、气刀压力P(t-τ(t))和生产线速度S(t-τ(t))并输出至神经网络预测模块；

模型偏差计算单元，与神经网络预测模块连接，将神经网络预测模块的输出值与当前镀层厚度测量值CW_act(t)比较，得到当前时刻的模型偏差bias(t)，然后采用滑动窗口法对时间窗口N内的各时刻的模型偏差进行加权平滑，得到最终的模型偏差Bias；

预测模型矫正单元，与模型偏差计算单元、神经网络预测模块和实时优化模块连接，用于将神经网络预测模块根据当前时刻的工况信息输出的镀层厚度值加上最终的模型偏差Bias得到当前时刻的镀层厚度预测值，并将该预测值与镀层厚度设定值CW_set(t)比较得到镀层厚度控制偏差。

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2为系统稳定时，本发明方法的控制效果图，从图中可以看到，生产线工况处于相对平稳工况时，抗干扰控制模块启动，实时计算气刀压力设定值，使得镀层厚度得到精准控制。说明采用本发明所述的方法，可有效保证镀层厚度得到精准控制，提高产品质量。

图3为一种系统强干扰状况，本发明方法的控制效果图，从图中可以看到，当时间在00:10分钟左右时，1分钟内生产线速度从88m/min降至75m/min，抗干扰控制模块启动，实时计算气刀压力设定值，当时间在00:12后，气刀压力实际值达到气刀压力设定值附近时，镀层厚度快速得到了控制。说明采用本发明所述的方法，可快速有效地解决由速度变化带来的干扰，提高产品质量。

图4为镀层厚度设定值切换状况，本发明方法的控制效果图。由于镀层厚度设定值的切换往往伴随着速度的变化，从图中可以看到，生产线速度从00:06分钟左右的95m/min下降至00:12分钟的75m/min，抗干扰控制模块从00:06分钟时启动，实时计算气刀压力设定值，使得镀层厚度得到控制；在00:13分钟左右，镀层厚度设定值从85g/m²切换至125g/m²，随动控制算法启动，并快速计算实时气刀压力，实现镀层厚度的快速精准切换。说明采用本发明所述的方法，可有效快速有效地解决由速度和镀层厚度变化带来的干扰，提高产品质量。

本发明中各符号的意义参见下表：

本发明所采用的实时优化算法可以有其它表现及实施方式，本发明不作详细定义。对于本技术领域的普通技术人员，不在脱离发明原理的前提下，还可以作出若干改进和润饰，比如镀层厚度均匀性与气刀压力之间的表现形式，以及实时优化算法进行改进或采用其他类型的优化算法，这些改进和润饰也应该视为本发明的保护范围。

Claims (8)

1.一种镀锌过程气刀压力实时优化控制方法，其特征在于，该方法包括以下步骤：

S1、获取当前时刻的工况信息，包括气刀距离D(t)，气刀压力P(t)，生产线速度S(t)、镀层厚度测量值CW_act(t)和镀层厚度设定值CW_set(t)；

S2、判断式(1)是否成立，如果是，执行S3，否则，执行S4，

CW_set(t)＝CW_set(t-1) (1)

其中，t表示当前时刻，t-1表示上一采样时刻，CW_set(t-1)表示上一采样时刻的镀层厚度设定值，S(t-1)表示上一采样时刻的生产线速度；

S3、将S1中的当前工况信息输入神经网络预测模型后得到的输出作为镀层厚度预测值CW_pred(t)，将镀层厚度设定值CW_set(t)与镀层厚度预测值CW_pred(t)的差值作为镀层厚度控制偏差，执行S7；

S4、通过机理法计算当前时刻测厚仪的测量滞后时间τ(t)，并根据当前时刻的镀层厚度测量值CW_act(t)，通过过程量时域匹配，得到气刀距离D(t-τ(t))、气刀压力P(t-τ(t))和生产线速度S(t-τ(t))；

S5、将气刀距离D(t-τ(t))、气刀压力P(t-τ(t))和生产线速度S(t-τ(t))输入神经网络预测模型后得到的输出作为当前时刻的神经网络预测值，并与当前镀层厚度测量值CW_act(t)比较得到当前时刻的模型偏差bias(t)，并通过滑动窗口法对当前时刻的模型偏差及之前各时刻的模型偏差进行加权平滑，得到最终模型偏差；

S6、将S1中的当前工况信息输入神经网络预测模型后得到的输出加上最终模型偏差作为镀层厚度预测值CW_pred(t)，将镀层厚度设定值CW_set(t)与镀层厚度预测值CW_pred(t)的差值作为镀层厚度控制偏差；

S7、如果镀层厚度控制偏差大于阈值，则执行S8，否则，保持气刀压力设定值不变，并在一个采样周期后返回S1；

S8、根据当前工况信息及镀层厚度控制偏差，采用增量式PID算法求解气刀压力设定值P_set，并在一个采样周期后返回S1。

2.如权利要求1所述的一种镀锌过程气刀压力实时优化控制方法，其特征在于，所述步骤S3包括：

S301、将气刀距离D(t)，气刀压力P(t)，生产线速度S(t)输入神经网络预测模型，得到镀层厚度预测值CW_pred(t)，如式(2)所示：

CW_pred(t)＝NNp{D(t),P(t),S(t)} (2)

其中，NNp{*}表示神经网络预测模型的非线性映射关系；

S302、计算镀层厚度控制偏差CWm，如式(3)所示：

CWm＝CW_set(t)-CW_pred(t) (3)。

3.如权利要求1所述的一种镀锌过程气刀压力实时优化控制方法，其特征在于，所述步骤S4包括：

S401、采用机理法根据式(4)和式(5)计算当前测厚仪的测量滞后时间τ(t)，

τ(t)＝λ(t)+T_m (4)

$L=\underset{k=0}{\overset{\mathrm{\λ}\left(t\right)}{\Σ}}\mathrm{\Δ}T\·S(t-k)---\left(5\right)$

其中，T_m为测厚仪的测量时间，L为气刀装置到测厚仪的距离，ΔT为系统采样周期，k＝0,1,2,3…；

S402、根据当前镀层厚度测量值CW_act(t)，通过滞后时间τ(t)进行过程量匹配，获取与当前镀层厚度测量值CW_act(t)匹配的气刀距离D(t-τ(t))、气刀压力P(t-τ(t))和生产线速度S(t-τ(t))。

4.如权利要求1所述的一种镀锌过程气刀压力实时优化控制方法，其特征在于，所述步骤S5包括：

S501、将气刀距离D(t-τ(t))、气刀压力P(t-τ(t))和生产线速度S(t-τ(t))输入神经网络预测模型，得到模型输出值并与当前镀层厚度测量值CW_act(t)比较，得到当前时刻的模型偏差bias(t)，如式(6)所示，

bias(t)＝CW_act(t)-NNp{D(t-τ(t)),P(t-τ(t)),S(t-τ(t))} (6)

其中，NNp{*}表示神经网络的非线性映射关系；

S502、采用滑动窗口法对时间窗口N内的各时刻的模型偏差进行加权平滑，得到最终的模型偏差Bias，如式(7)所示，

$Bias=\underset{k=0}{\overset{N-1}{\Σ}}{\mathrm{\β}}_k\·bias(t-k)---\left(7\right)$

其中，β_k,k＝0,1,...,N-1是一组预先设定的加权系数，且满足bias(t-k)是时间窗口N内已知的各时刻的模型偏差。

5.如权利要求4所述的一种镀锌过程气刀压力实时优化控制方法，其特征在于，所述步骤S6包括：

S601、将气刀距离D(t)、气刀压力P(t)、生产线速度S(t)输入神经网络预测模型，得到模型输出值并加上步骤S502所得的最终的模型偏差Bias得到当前的镀层厚度预测值，如式(8)所示，

CW_pred(t)＝NNp{D(t),P(t),S(t)}+Bias (8)

S602、计算镀层厚度控制偏差CWm，如式(9)所示，

CWm＝CW_set(t)-CW_pred(t) (9)

其中，CW_set(t)表示镀层厚度设定值。

6.如权利要求1所述的一种镀锌过程气刀压力实时优化控制方法，其特征在于，所述步骤S8具体为：

目标函数：min|CWt-CWp|

决策变量：P

约束条件：

CWp＝NN(D_ini,P,S_ini)

CWt＝NN(D_ini,P_ini,S_ini)+CWm

P∈[Pmin,Pmax]

根据增量式PID算法对P进行迭代寻优，其中增量式PID算法为：

error＝CWt-CWp (10)

P_error＝error-error_1 (11)

I_error＝error (12)

D_error＝error-2*error_1+error_2 (13)

Δu＝Kp*P_error+Ki*I_error+Kd*D_error (14)

P＝P-Δu (15)

其中，P的初始值为P_ini，error_1是error迭代计算中的上一迭代值，error_2是error_1迭代计算中的上一迭代值，通过式(10)～式(15)的迭代计算，所得的使CWp逼近CWt的P的值即为气刀压力设定值P_set。

7.一种镀锌过程中气刀压力实时优化控制系统，用于实现如权利要求1～6任一项所述的方法，其特征在于，包括：

输入采样模块，用于获取当前时刻的工况信息，包括气刀距离D(t)，气刀压力P(t)，生产线速度S(t)、镀层厚度测量值CW_act(t)和镀层厚度设定值CW_set(t)；

神经网络预测模块，与所述输入采样模块连接，所述神经网络预测模块的输入为生产线速度、气刀距离、气刀压力，输出为镀层厚度值，所述神经网络预测模块的映射关系为：NNp(D(t),S(t),P(t))＝CWp(t)；

随动控制模块，与所述神经网络预测模块连接，用于镀层厚度设定值切换时，将当前时刻的工况信息输入至所述神经网络预测模块得到当前时刻的镀层厚度预测值并与当前时刻的镀层厚度设定值相减得到镀层厚度控制偏差；

抗干扰控制模块，与所述神经网络预测模块连接，用于在生产线速度、锌锅液位、锌锅温度、生产线张力、钢种发生变化时，通过神经网络模型和模型偏差矫正机制，矫正镀层厚度控制偏差；

实时优化模块，与所述神经网络预测模块、随动控制模块及抗干扰控制模块连接，其目标函数为镀层厚度预测值与镀层厚度设定值之间的偏差，而决策变量为气刀压力，约束条件为神经网络预测模块的生产线速度、气刀距离、气刀压力与镀层厚度之间的映射关系，以及气刀压力的工艺规程约束，采用增量式PID算法对气刀压力寻优，消除镀层厚度控制偏差。

8.如权利要求7所述的一种镀锌过程中气刀压力实时优化控制系统，其特征在于，所述抗干扰控制模块包括：

变时滞计算单元，采用机理法计算当前测厚仪的测量滞后时间τ(t)；

过程量时域匹配单元，与所述变时滞计算单元和神经网络预测模块连接，根据当前镀层厚度测量值CW_act(t)，通过滞后时间τ(t)进行过程量匹配，获取与当前镀层厚度测量值CW_act(t)匹配的气刀距离D(t-τ(t))、气刀压力P(t-τ(t))和生产线速度S(t-τ(t))并输出至所述神经网络预测模块；

模型偏差计算单元，与所述神经网络预测模块连接，将所述神经网络预测模块的输出值与当前镀层厚度测量值CW_act(t)比较，得到当前时刻的模型偏差bias(t)，然后采用滑动窗口法对时间窗口N内的各时刻的模型偏差进行加权平滑，得到最终的模型偏差Bias；

预测模型矫正单元，与所述模型偏差计算单元、神经网络预测模块和实时优化模块连接，用于将所述神经网络预测模块根据当前时刻的工况信息输出的镀层厚度值加上最终的模型偏差Bias得到当前时刻的镀层厚度预测值，并将该预测值与所述镀层厚度设定值CW_set(t)比较得到镀层厚度控制偏差。