一種鍍鋅過程氣刀壓力實時優化控制方法及系統與流程

本發明涉及鍍鋅工藝技術領域及工業過程實時優化控制技術領域，尤其是涉及一種鍍鋅過程氣刀壓力實時優化控制方法及系統。

背景技術：

進入二十一世紀，我國正在由鋼鐵大國邁向鋼鐵強國。調整產業結構，發展深加工和高附加值產品，提高產品的競爭力是我國鋼鐵工業的發展方向。

然而，據統計，我國每年因腐蝕報廢的金屬制品占世界總金屬年產量的三分之一，說明解決鋼材的腐蝕問題對我國具有非常重要的經濟意義。鍍鋅工藝能夠有效的防止鋼材腐蝕，延長使用壽命，其鋅層厚度控制精度是熱鍍鋅產品質量控制精度的主要內容之一，不管是汽車板用戶還是家電板使用廠家，包括鋼鐵制造商，為了控制生產成本，提高產品質量，都對熱鍍鋅產品的鋅層厚度控制水平提出了嚴格的要求。

鍍鋅：這里指熱鍍鋅，也叫熱浸鋅和熱浸鍍鋅，是一種有效的金屬防腐方式，主要用于各行業的金屬結構設施上。熱鍍鋅是將除銹并經退火工藝后的鋼件浸入融化的鋅液中，使鋼構件表面附著鋅層，從而起到防腐蝕的目的。

連續熱鍍鋅生產系統具有以下特點：

(1)鍍層厚度值的在線測量需要采用測厚儀，而由于測量工藝原理的限制，需要在鍍層鋅液冷卻后才能獲得精確的鍍層厚度測量值，為了等待鍍層鋅液冷卻，測厚儀的安裝位置常常距離氣刀較遠，導致氣刀處控制作用對鍍層厚度的影響需要較長的時間后才能檢測到，即系統具有較大的測量滯后。

(2)鍍鋅過程受到空氣動力、邊界流層、傳熱等多個復雜的物理因素作用，最終的鋅層厚度和鍍層前后均勻性主要受氣刀距離、氣刀氣壓、帶鋼速度等三個變量共同作用的影響，而這些變量對鍍層厚度和鍍層橫向均勻性的影響原理較為復雜，具有較強的非線性，使用傳統的機理建模方法很難建立精確的系統模型；

(3)鍍鋅的生產過程干擾因素眾多，比如鍍層厚度切換、帶鋼速度升降、氣刀高度，噴嘴縫隙，帶鋼的溫度、板厚、板寬、表面粗糙度，生產線張力，鋅鍋的溫度以及化學成分、帶鋼板形和帶鋼抖動等因素的變化都將對鍍層厚度和縱向均勻性產生影響，其中鍍層厚度切換和帶鋼速度升降對鍍層厚度和縱向均勻性的影響最大。

綜上所述，鍍鋅是一個典型的時變大滯后、非線性、強擾動的生產過程，控制難度大。目前國內大部分鋼廠企業主要依賴于操作工的經驗采用人工設定刀距與氣刀壓力設定值并結合底層回路PID的方式進行控制，其操作滯后、控制精度低、鋅耗量大、質量波動大，甚至不能保證鍍層厚度和鍍層均勻度的質量要求。因此，鍍層厚度自動控制系統也逐漸在一些企業中得到了運用，其對于提高鍍鋅厚度控制精度和自動化水平具有一定的作用。從原理上分析，目前鍍鋅厚度系統普遍采用以氣刀壓力為主，氣刀距離為輔的控制方法，其中氣刀距離指的是前后兩側氣刀之間的距離。然而，由于鍍鋅生產過程存在的控制難點，目前的反饋控制方法普遍面臨以下兩個問題：

1)抗干擾問題

影響鍍層厚度的因素眾多，如：氣刀距離、氣刀高度、氣刀壓力、生產線速度、鋅鍋液位、鋅鍋溫度、鋼種、生產線張力等。其中，氣刀距離、氣刀壓力和生產線速度是影響鍍層厚度的主要變量，除了生產線速度由退火爐生產能力限制外，氣刀距離和氣刀壓力都可作為鍍層厚度控制系統的決策變量，生產企業一般通過調節氣刀距離或者壓力對鍍層厚度進行控制，采用氣刀距離對鍍層厚度進行控制時，由于氣刀距離改變的最小步長為一個氣刀距離單位(0.1mm)，在某些增益較大的敏感工作點附近，這種不連續的調整方式會帶來鍍層厚度的反復波動，因此目前多數企業采用氣刀壓力進行鍍層厚度的控制，即由操作人員依據經驗對設定值進行手工調整，這種人工控制方式依賴于操作工的生產經驗，不可避免地會引起鍍層的過薄或過厚，最終導致鍍鋅產品質量下降和鋅原料的浪費。因此開發高性能的鋅層厚度自動控制系統對于提高產品質量和節約原料具有重要意義。

2)跟隨性問題

當鍍層厚度設定值切換時，為了確保產品質量合格，目前國內鋼廠多采用人工手動操作結合傳統的PID控制。在熱鍍鋅生產線上，鍍層厚度都是以測厚儀測出的實際數據為依據，為了避免溫度的影響和提高檢測精度，測厚儀采用冷態測量原理，往往安裝在鋅鍋之后100多米的位置，由于無自動控制系統，完全依靠人工調整，工藝參數波動較大，調整的時間長、過渡時有大量等外品產生、過量鋅液消耗過大等問題。因而當操作人員從鍍層厚度顯示界面發現實際厚度與目標值有誤差而進行重新修正時，已經產生100多米的鍍層厚度不合格產品。即使在穩定狀態，為了滿足連續生產的需要，有時也需要人為地改變當前的穩定狀態，向下一個控制目標條件下的穩定狀態過渡。由于氣刀控制參數的過度變化會嚴重影響到鍍層控制精度，甚至會引起鋅液飛濺的后果，所以迫切需要實現鍍層厚度變規格的自動過渡控制。

針對鍍層厚度控制的抗干擾性和跟隨性問題，國內也有相關專利和文獻提出了基于模型的控制方法，如公開號為CN102912275.A的專利《一種熱鍍鋅線鍍層厚度自動控制系統》，當鍍層厚度設定值或速度變化時，采用最小二乘法描述鍍層厚度w與帶鋼速度s、氣刀壓力p、氣刀距離d之間的映射關系，采用前饋控制計算氣刀壓力設定值；當系統處于相對平穩(小干擾)時，針對過程的大滯后、非線性、時變特性選用通用型無模型自適應控制器，通過前N個采樣值來分析偏差的整個趨勢，觀察過程的動態特性，并利用神經網絡技術，計算出下一步控制作用。然而，上述方法在外界干擾時，側重于實現快速切換，而無法對氣壓進行實時優化，尤其是升降速時，沒有利用偏差矯正機制，從而降低了控制精度；平穩控制時，通過調節參數實現反饋控制，控制作用緩慢，不能夠快速動作以克服擾動影響。該專利沒有涉及氣刀壓力實時優化方法。

為了解決抗干擾性和跟隨性問題，公開號為CN103695830.A的專利《一種熱鍍鋅生產過程中鍍層厚度控制方法》，采用氣刀壓力的自適應調整計算，抑制了生產線升降速對鍍層厚度的擾動，提高了系統響應速度；采用氣刀壓力反饋控制方法，通過對氣刀壓力反饋修正計算對鍍層厚度偏差進行修正，解決了操作工手動控制所引起的鍍層厚度偏差過大問題，提高了鍍鋅鋼板產品表面質量，減少鋅原料消耗，降低生產成本。然而，上述方法在升降速時，通過前饋控制模型計算氣刀壓力的設定值，從而保證鍍層厚度，但是該方法的控制精度完全取決于該模型的精度；相對平穩(小干擾)時，氣壓壓力采用氣刀壓力修正計算模型，鍍層厚度偏差修正緩慢。該專利亦沒有涉及氣刀壓力實時優化方法，也沒有涉及鍍層厚度切換的跟隨性問題。

綜上所述，現有鍍層厚度控制系統中在處理外界強干擾(升降速)或鍍層厚度切換時，采用氣刀壓力自適應調整計算或前饋控制克服外界擾動帶來的鋅層厚度波動，該類方法的控制品質受制于模型精度，無法保證在整個操作工況范圍內的控制效果達到產品質量要求；同時當系統處于穩態時，則采用傳統的反饋閉環控制或通用無模型自適應控制器，鍍層厚度偏差的修正速度較慢，容易造成控制量的超調，引起鍍層厚度在控制目標值附近波動。

技術實現要素：

本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種鍍鋅過程氣刀壓力實時優化控制方法及系統，當鍍層厚度因外界干擾偏離設定值時，基于偏差校正后的鍍層厚度預測值與設定值之間的差異，對氣刀壓力進行實時優化，克服外界擾動的不良影響，使鍍層厚度保持在設定值附近；當產品鍍層厚度切換時，基于未經偏差校正的鍍層厚度預測值不斷對氣刀壓力進行迭代優化，使得鍍層厚度緊密跟隨設定值的變化曲線快速完成切換過程。本發明通過上述技術有效克服外界干擾給鍍層厚度帶來的不良影響，并實現不同產品之間的快速切換，可明顯減小鍍層質量波動，降低過量鋅耗，提高鍍鋅產品的合格率。

本發明的目的可以通過以下技術方案來實現：一種鍍鋅過程氣刀壓力實時優化控制方法，該方法包括以下步驟：

S1、獲取當前時刻的工況信息，包括氣刀距離D(t)，氣刀壓力P(t)，生產線速度S(t)、鍍層厚度測量值CW_act(t)和鍍層厚度設定值CW_set(t)；

S2、判斷式(1)是否成立，如果是，執行S3，否則，執行S4，

CW_set(t)＝CW_set(t-1) (1)

其中，t表示當前時刻，t-1表示上一采樣時刻，CW_set(t-1)表示上一采樣時刻的鍍層厚度設定值，S(t-1)表示上一采樣時刻的生產線速度；

S3、將S1中的當前工況信息輸入神經網絡預測模型后得到的輸出作為鍍層厚度預測值CW_pred(t)，將鍍層厚度設定值CW_set(t)與鍍層厚度預測值CW_pred(t)的差值作為鍍層厚度控制偏差，執行S7；

S4、通過機理法計算當前時刻測厚儀的測量滯后時間τ(t)，并根據當前時刻的鍍層厚度測量值CW_act(t)，通過過程量時域匹配，得到氣刀距離D(t-τ(t))、氣刀壓力P(t-τ(t))和生產線速度S(t-τ(t))；

S5、將氣刀距離D(t-τ(t))、氣刀壓力P(t-τ(t))和生產線速度S(t-τ(t))輸入神經網絡預測模型后得到的輸出作為當前時刻的神經網絡預測值，并與當前鍍層厚度測量值CW_act(t)比較得到當前時刻的模型偏差bias(t)，并通過滑動窗口法對當前時刻的模型偏差及之前各時刻的模型偏差進行加權平滑，得到最終模型偏差；

S6、將S1中的當前工況信息輸入神經網絡預測模型后得到的輸出加上最終模型偏差作為鍍層厚度預測值CW_pred(t)，將鍍層厚度設定值CW_set(t)與鍍層厚度預測值CW_pred(t)的差值作為鍍層厚度控制偏差；

S7、如果鍍層厚度控制偏差大于閾值，則執行S8，否則，保持氣刀壓力設定值不變，并在一個采樣周期后返回S1；

S8、根據當前工況信息及鍍層厚度控制偏差，采用增量式PID算法求解氣刀壓力設定值P_set，并在一個采樣周期后返回S1。

所述步驟S3包括：

S301、將氣刀距離D(t)，氣刀壓力P(t)，生產線速度S(t)輸入神經網絡預測模型，得到鍍層厚度預測值CW_pred(t)，如式(2)所示：

CW_pred(t)＝NNp{D(t),P(t),S(t)} (2)

其中，NNp{*}表示神經網絡預測模型的非線性映射關系；

S302、計算鍍層厚度控制偏差CWm，如式(3)所示：

CWm＝CW_set(t)-CW_pred(t) (3)。

所述步驟S4包括：

S401、采用機理法根據式(4)和式(5)計算當前測厚儀的測量滯后時間τ(t)，

τ(t)＝λ(t)+T_m (4)

其中，T_m為測厚儀的測量時間，L為氣刀裝置到測厚儀的距離，ΔT為系統采樣周期，k＝0,1,2,3…；

S402、根據當前鍍層厚度測量值CW_act(t)，通過滯后時間τ(t)進行過程量匹配，獲取與當前鍍層厚度測量值CW_act(t)匹配的氣刀距離D(t-τ(t))、氣刀壓力P(t-τ(t))和生產線速度S(t-τ(t))。

所述步驟S5包括：

S501、將氣刀距離D(t-τ(t))、氣刀壓力P(t-τ(t))和生產線速度S(t-τ(t))輸入神經網絡預測模型，得到模型輸出值并與當前鍍層厚度測量值CW_act(t)比較，得到當前時刻的模型偏差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{*}表示神經網絡的非線性映射關系；

S502、采用滑動窗口法對時間窗口N內的各時刻的模型偏差進行加權平滑，得到最終的模型偏差Bias，如式(7)所示，

其中，β_k,k＝0,1,...,N-1是一組預先設定的加權系數，且滿足bias(t-k)是時間窗口N內已知的各時刻的模型偏差。

所述步驟S6包括：

S601、將氣刀距離D(t)、氣刀壓力P(t)、生產線速度S(t)輸入神經網絡預測模型，得到模型輸出值并加上步驟S502所得的最終的模型偏差Bias得到當前的鍍層厚度預測值，如式(8)所示，

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

S602、計算鍍層厚度控制偏差CWm，如式(9)所示，

CWm＝CW_set(t)-CW_pred(t) (9)

其中，CW_set(t)表示鍍層厚度設定值。

所述步驟S8具體為：

目標函數：min|CWt-CWp|

決策變量：P

約束條件：

CWp＝NN(D_ini,P,S_ini)

CWt＝NN(D_ini,P_ini,S_ini)+CWm

P∈[Pmin,Pmax]

根據增量式PID算法對P進行迭代尋優，其中增量式PID算法為：

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的初始值為P_ini，error_1是error迭代計算中的上一迭代值，error_2是error_1迭代計算中的上一迭代值，通過式(10)～式(15)的迭代計算，所得的使CWp逼近CWt的P的值即為氣刀壓力設定值P_set。

本發明還提供一種鍍鋅過程中氣刀壓力實時優化控制系統，用于實現上述的方法，該系統包括：

輸入采樣模塊，用于獲取當前時刻的工況信息，包括氣刀距離D(t)，氣刀壓力P(t)，生產線速度S(t)、鍍層厚度測量值CW_act(t)和鍍層厚度設定值CW_set(t)；

神經網絡預測模塊，與所述輸入采樣模塊連接，所述神經網絡預測模塊的輸入為生產線速度、氣刀距離、氣刀壓力，輸出為鍍層厚度值，所述神經網絡預測模塊的映射關系為：NNp(D(t),S(t),P(t))＝CWp(t)；

隨動控制模塊，與所述神經網絡預測模塊連接，用于鍍層厚度設定值切換時，將當前時刻的工況信息輸入至所述神經網絡預測模塊得到當前時刻的鍍層厚度預測值并與當前時刻的鍍層厚度設定值相減得到鍍層厚度控制偏差；

抗干擾控制模塊，與所述神經網絡預測模塊連接，用于在生產線速度、鋅鍋液位、鋅鍋溫度、生產線張力、鋼種等工況發生變化時，通過神經網絡模型和模型偏差矯正機制，矯正鍍層厚度控制偏差；

實時優化模塊，與所述神經網絡預測模塊、隨動控制模塊及抗干擾控制模塊連接，其目標函數為鍍層厚度預測值與鍍層厚度設定值之間的偏差，而決策變量為氣刀壓力，約束條件為神經網絡預測模塊的生產線速度、氣刀距離、氣刀壓力與鍍層厚度之間的映射關系，以及氣刀壓力的工藝規程約束，采用增量式PID算法對氣刀壓力尋優，消除鍍層厚度控制偏差。

所述抗干擾控制模塊包括：

變時滯計算單元，采用機理法計算當前測厚儀的測量滯后時間τ(t)；

過程量時域匹配單元，與所述變時滯計算單元和神經網絡預測模塊連接，根據當前鍍層厚度測量值CW_act(t)，通過滯后時間τ(t)進行過程量匹配，獲取與當前鍍層厚度測量值CW_act(t)匹配的氣刀距離D(t-τ(t))、氣刀壓力P(t-τ(t))和生產線速度S(t-τ(t))并輸出至所述神經網絡預測模塊；

模型偏差計算單元，與所述神經網絡預測模塊連接，將所述神經網絡預測模塊的輸出值與當前鍍層厚度測量值CW_act(t)比較，得到當前時刻的模型偏差bias(t)，然后采用滑動窗口法對時間窗口N內的各時刻的模型偏差進行加權平滑，得到最終的模型偏差Bias；

預測模型矯正單元，與所述模型偏差計算單元、神經網絡預測模塊和實時優化模塊連接，用于將所述神經網絡預測模塊根據當前時刻的工況信息輸出的鍍層厚度值加上最終的模型偏差Bias得到當前時刻的鍍層厚度預測值，并將該預測值與所述鍍層厚度設定值CW_set(t)比較得到鍍層厚度控制偏差。

與現有技術相比，本發明具有以下優點：

(1)本發明采用神經網絡模型，與傳統的回歸模型相比，神經網絡具有很強的非線性擬合能力，能更加準確地反映鍍鋅生產過程的非線性特性，與現有采用線性回歸模型對鍍鋅生產過程進行控制的方法相比，神經網絡模型可以對鍍鋅生產的全工況進行高精度的預測，確保本發明的在鍍鋅生產的各種操作條件下都具有良好的控制精度與品質。

(2)傳統反饋PID需要多次根據反饋量與設定值偏差進行控制，由于鍍鋅生產系統的測量大滯后性，使得鍍層厚度逼近控制目標的過程非常緩慢，甚至出現鍍層厚度在鍍層厚度控制目標附近振蕩的情況，控制效果差。本發明以鍍層厚度與鍍層厚度設定值之間的偏差為目標，以氣刀壓力的工藝規程為約束，采用增量式PID算法對氣刀壓力進行迭代尋優，一次性消除鍍層厚度與控制目標之間的偏差，不僅保證鍍層厚度滿足控制目標，保證了鍍層厚度的表面質量，同時優化了操作參數，以克服強干擾帶來的影響，并保證平穩控制時鍍層厚度的精準控制。

(3)本發明在系統受到干擾時，通過機理法、過程時域匹配法等計算當前鍍層厚度測量值與模型輸出之間的偏差，進行模型偏差矯正，從而精確預測出當前工況下鍍層厚度預測值，有效地克服了因為生產線干擾對系統所帶來的影響，使得系統在受到外界干擾的情況下快速跟蹤鍍層厚度設定值，補償外界干擾所帶來的影響，保證了鍍鋅產品的質量穩定。

(4)采用本發明的控制方法，可以在鍍層厚度切換時，準確快速地優化氣刀壓力，以實現快速消除鍍層厚度偏差，從而保證鍍層厚度的快速切換，同時可以在系統處于相對平穩控制時，準確地優化氣刀壓力，以精確地消除鍍層厚度偏差，實現鍍層厚度的精準控制。

附圖說明

圖1為本發明方法的流程圖；

圖2為系統穩定時，本發明方法的控制效果圖。

圖3為一種系統不穩定狀況時，本發明方法的控制效果圖。

圖4為另一種系統不穩定的狀況時，本發明方法的控制效果圖。

具體實施方式

下面對本發明的實施例作詳細說明，本實施例在以本發明技術方案為前提下進行實施，給出了詳細的實施方式和具體的操作過程，但本發明的保護范圍不限于下述的實施例。本發明中各符號的意義參見下表：

本申請實施例提供的一種鍍鋅過程氣刀壓力實時優化控制方法，如圖1所示，包括以下步驟：

S1、獲取當前時刻的工況信息，包括氣刀距離D(t)，氣刀壓力P(t)，生產線速度S(t)、鍍層厚度測量值CW_act(t)和鍍層厚度設定值CW_set(t)；

S2、判斷式(1)是否成立，如果是，執行S3，否則，執行S4，

CW_set(t)＝CW_set(t-1) (1)

其中，t表示當前時刻，t-1表示上一采樣時刻，CW_set(t-1)表示上一采樣時刻的鍍層厚度設定值，S(t-1)表示上一采樣時刻的生產線速度；

S3、將S1中的當前工況信息輸入神經網絡預測模型后得到的輸出作為鍍層厚度預測值CW_pred(t)，將鍍層厚度設定值CW_set(t)與鍍層厚度預測值CW_pred(t)的差值作為鍍層厚度控制偏差，執行S7；

S4、通過機理法計算當前時刻測厚儀的測量滯后時間τ(t)，并根據當前時刻的鍍層厚度測量值CW_act(t)，通過過程量時域匹配，得到氣刀距離D(t-τ(t))、氣刀壓力P(t-τ(t))和生產線速度S(t-τ(t))；

S5、將氣刀距離D(t-τ(t))、氣刀壓力P(t-τ(t))和生產線速度S(t-τ(t))輸入神經網絡預測模型后得到的輸出作為當前時刻的神經網絡預測值，并與當前鍍層厚度測量值CW_act(t)比較得到當前時刻的模型偏差bias(t)，并通過滑動窗口法對當前時刻的模型偏差及之前各時刻的模型偏差進行加權平滑，得到最終模型偏差；

S6、將S1中的當前工況信息輸入神經網絡預測模型后得到的輸出加上最終模型偏差作為鍍層厚度預測值CW_pred(t)，將鍍層厚度設定值CW_set(t)與鍍層厚度預測值CW_pred(t)的差值作為鍍層厚度控制偏差；

S7、如果鍍層厚度控制偏差大于閾值，則執行S8，否則，保持氣刀壓力設定值不變，并在一個采樣周期后返回S1；

S8、根據當前工況信息及鍍層厚度控制偏差，采用增量式PID算法求解氣刀壓力設定值P_set，并在一個采樣周期后返回S1。

此外，每隔一定的時間，系統在線采集這段時間內運行所產生的新的生產數據，篩選出樣本，對神經網絡的權重進行繼續訓練，更新神經網絡。具體而言，采用反向傳播方法更新神經網絡的權重，使神經網絡能夠學習到新的工況信息，可以自動適應系統特征的變化。通過在線學習，提高神經網絡預測精度，從而實時優化氣刀壓力，使得鍍層厚度精準跟隨鍍層厚度設定值，保證產品質量。

采用本發明的控制方法，可以在系統受到強干擾時，準確地優化氣刀壓力，以快速消除鍍層厚度偏差，從而保證鍍層厚度的均勻性，同時可以在系統平穩控制時，準確地優化氣刀壓力，以精確地消除鍍層厚度偏差，實現鍍層厚度的精準控制。

具體來說，1、本發明的方法在系統受到干擾時，采用抗干擾控制算法(步驟S4、S5、S6)，有效地克服了因為生產線升降速、鋅液變化、鋼種變化等干擾對系統所帶來的影響，使得系統在受到干擾的情況下快速精準地跟蹤鍍層厚度設定值，保證了鍍鋅產品的質量穩定。

2、本發明在系統平穩時采用隨動控制算法(步驟S3)，有效地克服了鍍層厚度設定值切換給系統帶來的影響，系統不斷優化氣刀壓力，使得鍍層厚度快速跟隨鍍層厚度設定值，保證了鍍鋅產品質量的穩定性。

3、本發明采用氣刀壓力實時優化方法(步驟S8)，根據當前系統的工況信息及鍍層厚度控制偏差，通過增量式PID算法實時計算出氣刀壓力改變量，保證鍍層厚度滿足控制目標，不僅保證了鍍層厚度的表面質量，同時優化了操作參數，以克服強干擾帶來的影響，并保證平穩控制時鍍層厚度的精準控制。

下面對本發明的方法進行具體描述，但不作為限制。

步驟S3進一步包括：

S301、將氣刀距離D(t)，氣刀壓力P(t)，生產線速度S(t)輸入神經網絡預測模型，得到鍍層厚度預測值CW_pred(t)，如式(2)所示：

CW_pred(t)＝NNp{D(t),P(t),S(t)} (2)

其中，NNp{*}表示神經網絡預測模型的非線性映射關系；

S302、計算鍍層厚度控制偏差CWm，如式(3)所示：

CWm＝CW_set(t)-CW_pred(t) (3)

在系統鍍層厚度切換時，由于工況變化較大，當前的模型偏差矯正已不適用，故神經網絡預測模型根據當前工況信息的輸出即為鍍層厚度預測值，

步驟S4進一步包括：

S401、采用機理法根據式(4)和式(5)計算當前測厚儀的測量滯后時間τ(t)，

τ(t)＝λ(t)+T_m (4)

其中，T_m為測厚儀的測量時間，L為氣刀裝置到測厚儀的距離，ΔT為系統采樣周期，k＝0,1,2,3…；

S402、根據當前鍍層厚度測量值CW_act(t)，通過滯后時間τ(t)進行過程量匹配，獲取與當前鍍層厚度測量值CW_act(t)匹配的氣刀距離D(t-τ(t))、氣刀壓力P(t-τ(t))和生產線速度S(t-τ(t))。

步驟S5進一步包括：

S501、將氣刀距離D(t-τ(t))、氣刀壓力P(t-τ(t))和生產線速度S(t-τ(t))輸入神經網絡預測模型，得到一輸出值并與當前鍍層厚度測量值CW_act(t)比較，得到當前時刻的模型偏差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{*}表示神經網絡的非線性映射關系；

S502、采用滑動窗口法對時間窗口N內的各時刻的模型偏差進行加權平滑，得到最終的模型偏差Bias，如式(7)所示，

其中，β_k,k＝0,1,...,N-1是一組預先設定的加權系數，且滿足bias(t-k)是時間窗口N內已知的各時刻的模型偏差。

步驟S6進一步包括：

S601、將氣刀距離D(t)、氣刀壓力P(t)、生產線速度S(t)輸入神經網絡預測模型，得到模型輸出值并加上步驟S502所得的最終的模型偏差Bias得到當前的鍍層厚度預測值，如式(8)所示，

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

S602、計算鍍層厚度控制偏差CWm，如式(9)所示，

CWm＝CW_set(t)-CW_pred(t) (9)

其中，CW_set(t)表示鍍層厚度設定值；

步驟S4、S5、S6在系統受到外界干擾時，通過變時滯計算、過程量時域匹配和滑動窗口法得到模型偏差，以補償生產線速度升降、鋅鍋液位變化、鋅鍋溫度變化、鋼種變化等干擾所帶來的影響，使得鍍層厚度預測值更加精準。

步驟S8的實時優化過程具體為：

目標函數：min|CWt-CWp|

決策變量：P

約束條件：

CWp＝NN(D_ini,P,S_ini)

CWt＝NN(D_ini,P_ini,S_ini)+CWm

P∈[Pmin,Pmax]

根據增量式PID算法對P進行迭代尋優，其中增量式PID算法為：

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的初始值為P_ini，error_1是error迭代計算中的上一迭代值，error_2是error_1迭代計算中的上一迭代值，通過式(10)～式(15)的迭代計算，所得的使CWp逼近CWt的P的值即為氣刀壓力設定值P_set。

本發明還提供一種鍍鋅過程中氣刀壓力實時優化控制系統，用于實現上述的方法，該系統包括：

輸入采樣模塊，用于獲取當前時刻的工況信息，包括氣刀距離D(t)，氣刀壓力P(t)，生產線速度S(t)、鍍層厚度測量值CW_act(t)和鍍層厚度設定值CW_set(t)；

神經網絡預測模塊，與輸入采樣模塊連接，神經網絡預測模塊的輸入為生產線速度、氣刀距離、氣刀壓力，輸出為鍍層厚度值，神經網絡預測模塊的映射關系為：NNp(D(t),S(t),P(t))＝CWp(t)；

隨動控制模塊，與所述神經網絡預測模塊連接，用于鍍層厚度設定值切換時，將當前時刻的工況信息輸入至所述神經網絡預測模塊得到當前時刻的鍍層厚度預測值并與當前時刻的鍍層厚度設定值相減得到鍍層厚度控制偏差；

抗干擾控制模塊，與所述神經網絡預測模塊連接，用于在生產線速度、鋅鍋液位、鋅鍋溫度、生產線張力、鋼種等工況發生變化時，通過神經網絡模型和模型偏差矯正機制，矯正鍍層厚度控制偏差；

實時優化模塊，與所述神經網絡預測模塊、隨動控制模塊及抗干擾控制模塊連接，其目標函數為鍍層厚度預測值與鍍層厚度設定值之間的偏差，而決策變量為氣刀壓力，約束條件為神經網絡預測模塊的生產線速度、氣刀距離、氣刀壓力與鍍層厚度之間的映射關系，以及氣刀壓力的工藝規程約束，采用增量式PID算法對氣刀壓力尋優，消除鍍層厚度控制偏差。

抗干擾控制模塊包括：

變時滯計算單元，采用機理法計算當前測厚儀的測量滯后時間τ(t)；

過程量時域匹配單元，與變時滯計算單元和神經網絡預測模塊連接，根據當前鍍層厚度測量值CW_act(t)，通過滯后時間τ(t)進行過程量匹配，獲取與當前鍍層厚度測量值CW_act(t)匹配的氣刀距離D(t-τ(t))、氣刀壓力P(t-τ(t))和生產線速度S(t-τ(t))并輸出至神經網絡預測模塊；

模型偏差計算單元，與神經網絡預測模塊連接，將神經網絡預測模塊的輸出值與當前鍍層厚度測量值CW_act(t)比較，得到當前時刻的模型偏差bias(t)，然后采用滑動窗口法對時間窗口N內的各時刻的模型偏差進行加權平滑，得到最終的模型偏差Bias；

預測模型矯正單元，與模型偏差計算單元、神經網絡預測模塊和實時優化模塊連接，用于將神經網絡預測模塊根據當前時刻的工況信息輸出的鍍層厚度值加上最終的模型偏差Bias得到當前時刻的鍍層厚度預測值，并將該預測值與鍍層厚度設定值CW_set(t)比較得到鍍層厚度控制偏差。

以下以鍍鋅實際生產過程為例，說明本發明所取得的有益效果：

圖2為系統穩定時，本發明方法的控制效果圖，從圖中可以看到，生產線工況處于相對平穩工況時，抗干擾控制模塊啟動，實時計算氣刀壓力設定值，使得鍍層厚度得到精準控制。說明采用本發明所述的方法，可有效保證鍍層厚度得到精準控制，提高產品質量。

圖3為一種系統強干擾狀況，本發明方法的控制效果圖，從圖中可以看到，當時間在00:10分鐘左右時，1分鐘內生產線速度從88m/min降至75m/min，抗干擾控制模塊啟動，實時計算氣刀壓力設定值，當時間在00:12后，氣刀壓力實際值達到氣刀壓力設定值附近時，鍍層厚度快速得到了控制。說明采用本發明所述的方法，可快速有效地解決由速度變化帶來的干擾，提高產品質量。

圖4為鍍層厚度設定值切換狀況，本發明方法的控制效果圖。由于鍍層厚度設定值的切換往往伴隨著速度的變化，從圖中可以看到，生產線速度從00:06分鐘左右的95m/min下降至00:12分鐘的75m/min，抗干擾控制模塊從00:06分鐘時啟動，實時計算氣刀壓力設定值，使得鍍層厚度得到控制；在00:13分鐘左右，鍍層厚度設定值從85g/m²切換至125g/m²，隨動控制算法啟動，并快速計算實時氣刀壓力，實現鍍層厚度的快速精準切換。說明采用本發明所述的方法，可有效快速有效地解決由速度和鍍層厚度變化帶來的干擾，提高產品質量。

本發明中各符號的意義參見下表：

本發明所采用的實時優化算法可以有其它表現及實施方式，本發明不作詳細定義。對于本技術領域的普通技術人員，不在脫離發明原理的前提下，還可以作出若干改進和潤飾，比如鍍層厚度均勻性與氣刀壓力之間的表現形式，以及實時優化算法進行改進或采用其他類型的優化算法，這些改進和潤飾也應該視為本發明的保護范圍。