本发明涉及定量浇铸技术领域，更具体的，涉及一种铜圆盘浇铸控制方法及装置。
背景技术：
浇铸包是圆盘浇铸机实现定量浇铸高温铜水的关键设备，其浇铸的铜阳极板质量直接影响后续铜电解环节的产铜效率，直接关系到电能的消耗。浇铸包系统由伺服电机、传动设备和包体三个部分组成，通过设置伺服电机运动曲线可使浇铸包包体按照浇铸运动曲线对母模进行铜液浇铸，达到定量浇铸高温铜液与无铜液飞溅等安全浇铸的目的，因此浇铸包浇铸曲线直接决定定量浇铸铜阳极板的质量。现今国内外主要通过现场经验、数值模拟以及浇铸包模型求解等方法得到最佳浇铸曲线。由于现场存在浇铸后期部分铜液凝结及铜液反馈值波动等干扰的影响，使得通过直接设置浇铸包运动曲线的开环设置方法存在一定的终点重量的偏差，故需要提供一种闭环控制方法，提高单次浇铸的质量并满足工业生产的安全要求，且具有一定的鲁棒性。现有的浇铸包控制技术主要是经典pid控制方法与人工智能控制方法。
圆盘浇铸机浇铸包在实现定量浇铸的过程中，其定量浇铸曲线能反映浇铸包动态运行状况，合适的浇铸曲线能满足铜阳极板定量浇铸及无飞边、飞溅等工艺要求。但现场环境恶劣，且浇铸过程中扰动较大，而只通过设定曲线驱动浇铸包实现浇铸这一过程属于开环控制，抗扰动性能较差，甚至会产生浇铸终点质量不满足要求的情况。
cn105945270a公开了一种定量浇铸曲线的获取方法及装置。该专利提出了一种最优定量浇铸曲线的获得方法。通过结合浇铸工具的物理结构和浇铸过程铜水流动的有限元模型，利用fluent软件对其进行数值模拟计算，迭代调整浇铸曲线以满足浇铸终点质量要求及工艺要求。该专利从仿真的角度模拟浇铸包运动过程，通过浇铸效果修正浇铸曲线，克服了现场调节浇铸曲线劳动大、环境恶劣的影响，具有一定的参考性。但该专利使用的有限元软件计算成本大、输入固定，而且获得的浇铸曲线从本质上仍为经验曲线，抗扰动性能差，且无法在工业现场实时调节。
cn106180667a公开了一种阳极板定量浇铸的方法，该专利提出了一种借助非接触式测距装置监测阳极板厚度来控制浇铸的方法。在浇铸位置的正上方区域安装非接触式测距装置，以实时监测浇铸过程中模具内铜水液位高度，当铜水液位高度达到预设值时，回收浇铸包停止浇铸。该专利使用了高精度的非接触式测距装置，克服称重传感器较大误差的影响，通过改变硬件的方式减小了测量误差。该专利虽然通过改变测量装置减小了测量误差，使得浇铸包根据最优浇铸曲线运动得到的铜水质量更为稳定，但现场仍然存在参数不确定性与随机扰动等因素的影响，抗扰动性能仍旧不强。
cn105499549a公开了一种铜阳极板自动定量浇铸控制系统及控制方法，该专利提出了一种铜阳极板自动定量浇铸控制系统及控制方法。利用plc控制器采集浇铸包重量信息并生成控制信号，使浇铸速度跟随设定的轨迹。该发明对浇铸曲线各个运动阶段做了定性分析，并从硬件开发角度对圆盘浇铸机控制系统的控制过程进行了分析，设计的控制系统内部结构简单，维修容易，极大提高了系统的使用效果和产品的浇铸品质。该发明没有从内部机理的角度剖析浇铸曲线形成的过程，且其本质上也为定量浇铸曲线的设定问题，没有形成闭环回路，抗扰动性能不强。
现有的浇铸包控制技术主要是经典pid控制方法与人工智能控制方法。但现有的浇铸包控制技术没有考虑浇铸现场存在的参数不确定性与随机扰动等因素的影响，抗扰动性能欠佳。
技术实现要素：
本发明为解决传统浇铸控制方法的上述缺陷，提供一种铜圆盘浇铸控制方法及系统。
一方面，本发明提供一种铜圆盘浇铸控制方法，包括:
根据预设铜液流量出流模型，运用智能算法，优化浇铸包的正向浇铸运动曲线，并根据优化后的所述正向浇铸运动曲线控制浇铸包的正向浇铸运动；
运用无模型自适应控制方法，控制浇铸包的反向回包运动阶段铜液浇铸的重量。
其中，所述通过智能算法，优化浇铸包的正向浇铸运动曲线具体包括：
基于所述铜液流量出流模型，以浇铸时间为优化目标，以浇铸过程中铜液不能冲出母模为约束条件，建立单目标优化模型，进行参数寻优；获取优化的正向浇铸运动曲线。
其中，所述通过闭环pd型迭代学习控制器，控制浇铸包的反向回包运动具体包括：
建立闭环pd型迭代学习控制律模型：
式中，uk(t)为控制量，即浇铸包电机转动速度给定量，下标k表示迭代次数，t为本次迭代的时刻，ek(t)为系统的跟踪误差：
其中，ek(t)的表达式为：
ek(t)＝yk(t)-yd(t)
yk(t)为本次迭代当前时刻的输出重量值，yd(t)为期望浇铸曲线当前时刻的浇铸重量。
其中，本次迭代当前时刻的控制量由上次迭代对应时刻的控制量与本次迭代采集的误差信号确定，将所述控制量输入到伺服系统，控制浇铸包进行对应的回包操作。
其中，所述方法还包括，运用模糊控制原理对所述pd型迭代学习控制器的参数进行在线修正，闭环pd型迭代学习控制器根据修正后的参数控制浇铸包的反向回包运动。
另一方面，本发明提供一种铜圆盘浇铸控制装置，包括：
正向浇铸模块，用于根据预设铜液流量出流模型，运用智能算法，优化浇铸包的正向浇铸运动曲线，并根据优化后的所述正向浇铸运动曲线控制浇铸包的正向浇铸运动。
反向回包模块，用于通过闭环pd型迭代学习控制器，运用迭代学习控制原理，控制浇铸包的反向回包运动。
其中，所述正向浇铸模块具体用于：
基于所述铜液流量出流模型，以浇铸时间为优化目标，以浇铸过程中铜液不能冲出母模为约束条件，建立单目标优化模型，进行参数寻优；获取优化的正向浇铸运动曲线。
其中，所述装置还包括参数修正模块，用于运用模糊控制原理对所述pd型迭代学习控制器的参数进行在线修正，闭环pd型迭代学习控制器根据修正后的参数控制浇铸包的反向回包运动。
第三方面，本发明提供一种计算机程序产品，其特征在于，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述方法。
第四方面，本发明提供一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述方法。
本发明提供的铜圆盘浇铸控制方法及系统，将浇铸子过程整合为“正向浇铸”与“反向回包”两个阶段，在正向浇铸阶段，通过智能算法，优化浇铸包的正向浇铸运动曲线。缩短浇铸时间，提高浇铸生产的效率。
在浇铸包反向回包时，针对浇铸过程中存在的外界干扰，通过闭环pd型迭代学习控制器，控制浇铸包的反向回包运动，使浇铸包沿迭代轴不断重复调整，达到浇铸终点重量指标，提高了浇铸过程的抗扰动性，提高了浇铸系统的稳定性。
附图说明
图1为根据本发明实施例提供的铜圆盘浇铸控制方法的流程框图；
图2为根据本发明实施例提供的正向浇铸运动曲线的优化流程示意图；
图3为根据本发明实施例提供的模糊闭环pd型迭代学习控制系统的结构示意图；
图4为根据本发明实施例提供的铜圆盘浇铸控制装置的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一模块实施例，而不是全部的实施例。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前提下所获得的所有其他实施例，都属于本发明保护的范围。
电解精炼铜的原料是铜阳极板，为了减少电解精炼过程中的能源消耗，要求铜阳极板具有高精度和良好物理外形。铜阳极板通常由圆盘浇铸机浇铸而成，对浇铸过程的控制决定了铜阳极板的精度和外形。
根据现场经验，浇铸过程中浇铸包的运动过程可以具体划分为五个子过程：
a)浇铸包在启动过程中，由于初始状态无铜液浇铸，此时浇铸包铜液质量不发生变化，为了快速到达临界浇铸点，需要使浇铸包体以较大的启动速度迅速启动，缩短整体浇铸时间，为“快速启包”子过程；
b)达到临界浇铸点后，铜液开始流出，由于此时浇铸包运动速度较大，浇铸的铜液极易冲出母模，容易产生铜液浪费与安全事故，因此需要在接近临界浇铸点时，减小浇铸包运动速度，使刚浇铸的铜液不会冲出母模，此时铜液的浇铸速度较慢，故称为“慢速浇铸”子过程；
c)当母模中的铜液达到一定量时，由于存在液体的缓冲效应，增大一定的浇铸速度时也不会有铜液溅出，故需提高浇铸速度，使包体快速到达极限位，为“快速浇铸”子过程；
d)当包体达到浇铸极限位时，铜液浇铸流量达到最大，并随着包体内铜液不断减少，浇铸流量也不断减小，为“悬停”子过程；
e)当浇铸质量接近终点质量时，控制浇铸包体进行回包操作，由于回包过程中仍旧有部分铜液浇铸出，故需在设计时预留部分铜液浇铸质量，以使回包后浇铸的铜液质量正好满足浇铸质量要求，为“快速回包”子过程。
本发明实施例将上述“快速启包-慢速浇铸-快速浇铸-悬停”与“快速回包”阶段进行分离，将浇铸过程中浇铸包的运动过程整合为“正向浇铸”与“反向回包”两个阶段。
图1为根据本发明实施例提供的铜圆盘浇铸控制方法的流程框图。如图1所示，本发明提供一种铜圆盘浇铸控制方法，包括:
步骤101，根据预设铜液流量出流模型，运用智能算法，优化浇铸包的正向浇铸运动曲线，并根据优化后的所述正向浇铸运动曲线控制浇铸包的正向浇铸运动。
具体地，浇铸包是铜阳极定量浇铸系统中的装置，在电解铜冶炼的整个生产过程中，熔融状态的铜水经定量浇铸后成为符合电解要求的铜板，而符合要求的铜板在电解的作用下，将会产生高纯度的电解铜。浇铸包承接中间包倾倒的一定量的铜水，存储并将铜水按一定量浇铸在模具中，进行极板定量精确浇铸。浇铸包重量控制由其下部所装称重传感器完成。浇铸包在浇铸铜水时，是由驱动装置来驱动浇铸包倾倒的。浇铸包将按浇铸曲线设定的倾倒速度与角度，在规定时间内，将包中铜水平稳地浇铸在模具中，实现铜极板精确浇铸。
图2为根据本发明实施例提供的正向浇铸运动曲线的优化流程示意图，首先根据已有的铜液流量出流模型，通过分析浇铸包正向浇铸运动特点，基于实际工艺指标，保证浇铸过程中无铜液飞溅等阳极板质量要求，建立浇铸包正向浇铸阶段最优浇铸曲线模型。然后运用智能算法，基于铜液流量出流模型，以浇铸时间为优化目标，以浇铸过程中铜液不能冲出母模为约束条件，建立单目标优化模型，进行参数寻优，获取优化后的正向浇铸运动曲线。最后将优化后的正向浇铸运动曲线输入到伺服系统中，控制浇铸包的正向浇铸。提高浇铸生产的效率。解决传统浇铸生产过程中生产效率偏低的问题。
步骤102，运用无模型自适应控制方法，控制浇铸包的反向回包运动阶段铜液浇铸的重量。
浇铸包正向浇铸完成后，进入反向回包阶段，正常工况下，浇铸包初始铜液重量为650kg±20kg，此时初始铜液重量较为稳定，由于浇铸包的铜液出流模型复杂度较高，难以实现基于模型的控制策略，难以满足浇铸终点重量的高精度控制。因此本发明实施例利用无模型自适应控制方法，控制反向回包阶段铜液浇铸的重量，分析浇铸包回包的重复特性并设计闭环pd型迭代学习控制器，运用迭代学习控制原理，控制浇铸包的反向回包运动。其中，无模型自适应(mfa，model-freeadaptive)控制，是一种无需建立过程模型的自适应控制方法，无模型自适应控制系统应具有如下属性或特征：无需精确的过程定量知识；系统中不含过程辨识机制和辨识器；不需要针对某一过程进行控制器设计；不需要复杂的人工控制器参数整定；具有闭环系统稳定性分析和判据，确保系统的稳定性。
本发明实施例提供的铜圆盘浇铸控制方法，将浇铸子过程整合为“正向浇铸”与“反向回包”两个阶段，在正向浇铸阶段，通过智能算法，优化浇铸包的正向浇铸运动曲线，提高了浇铸生产的效率。在浇铸包反向回包时，针对浇铸过程中存在的外界干扰，通过闭环pd型迭代学习控制器，控制浇铸包的反向回包运动，使浇铸包沿迭代轴不断重复调整，达到浇铸终点重量指标，提高了浇铸过程的抗扰动性，提高了浇铸系统的稳定性。
其中，建立铜液流量出流模型的步骤包括：
根据流体域分割思想和水力学方程，分别建立铜水液位高于挡流板时的铜液流量出流模型，以及铜水液位低于挡流板时的铜液流量出流模型；其中，所述挡流板内嵌于所述浇铸包内。
由于浇铸包内设有一挡流板，故浇铸包铜水出流流量模型分为铜液液面未降至挡流板下与降至挡流板下两个部分，借助流体域分割思想与水力学方程可建立两种情况下的铜液流量出流模型：
铜液液面未降至挡流板下：
式中，h(t)为t时刻挡流板右侧铜液高度，q为铜液浇铸流量，a(t)为t时刻挡流板右侧铜液底面积，b为挡流板右侧铸包出口之下底面宽度，lb为挡流板右侧铸包出口之下铜水底边长度，为常值,v2为挡流板下铜液流出的速度，hb(t)为t时刻挡流板下铜液高度，w(t)为浇铸包转动角速度，θ为浇铸包旋转角度，其值为w对时间的积分。
铜液液面降至挡流板下：
式中，h(t)为t时刻浇铸包出口之上铜液液位高度，q为铜液浇铸流量，a(t)为t时刻挡流板右侧铜液底面积，w(t)为浇铸包转动角速度，θ为浇铸包旋转角度，其值为w对时间的积分，α为铜液在后部圆弧段所占弧长对应的圆心角的1/2，r为对应圆弧的半径。
以上两组方程可利用迭代方式进行求解，先根据浇铸包的运动及包内铜液质量确定所处的浇铸状态，然后以前一时刻浇铸包出口铜液液位与流量作为本时刻输入，再通过对应状态下的模型求解出口铜水下降速度，得到本时刻出口铜液高度，最后计算得到浇铸流量，并将两值进行存储，传递给下一时刻计算。
本实施例建立两种情况下的铜液流量出流模型，以供后续正向浇铸运动曲线的优化。
浇铸包正向浇铸阶段最优浇铸曲线问题实际上是一个初始状态、终止状态已知，而终止时刻自由的、等式与不等式约束同存的最优时间控制问题，以正向浇铸时间最短为目标，对应的浇铸包运动角度θ、角速度ω、角加速度u、铜水流速v和主动轴传动力矩t满足条件为约束，建立最优曲线模型：
minj＝tf-ts
x1(ts)＝ms；x2(ts)＝0
x1(tf)＝mf；x2(tf)＝0
x3(ts)＝θs；x4(ts)＝0
x3(tf)＝θf；x4(tf)＝0
θmin≤x3(t)≤θmax
ωl≤x4(t)≤ωh
0＜v(t)＜vmax
tmin≤t(t)≤tmax
ul≤u(t)≤uh
g(t,x(t),u(t))为浇铸设备运行时的动态模型，即铜液出流模型；ms、mf分别为浇铸包铜液初始质量与终止质量；θs、θf分别为浇铸包初始角度与终止角度；ωl与ωh为浇铸包最小与最大角速度；vmax为铜水最大流速，其值不能过大，否则会发生高温铜水飞溅、造成设备损坏和工作人员伤亡的事故；由于存在浇铸包转动角速度的影响，对应主驱动轴的传动力矩t也具有最大力矩与最小力矩约束；受制于伺服电机型号，主驱动轴角加速度u也具有最小角加速度与最大角加速度约束。在铜水浇铸的初始时刻ts、终止时刻tf，浇铸包内铜水质量、流量和主驱动轴的运动满足的约束条件为等式约束，而浇铸包角速度需在连续时间上满足不等式、浇铸包中铜水流速同样需满足连续状态下的不等式约束。
本专利采用粒子群算法(pso)进行寻优，算法步骤如下：
步骤1：随机初始化粒子群，并赋予每个粒子一个初始解，初始化权重及加速度系数；
步骤2：计算每个粒子的自适应度；
步骤3：对每个粒子的适应度进行评价，根据比较结构更新个体极值与全局极值；
步骤4：根据权重、加速度系数更新每个粒子的当前速度及位置，判断是否达到最大迭代次数或全局最优位置满足最小界限，若是，跳出循环，否则返回步骤2。
迭代学习控制的基本思想是利用前一次或前几次运行时产生的误差和控制输入组成当前循环的控制输入，使得重复任务在当前运行过程中性能更好。由于浇铸包回包过程具有不同浇次间的重复运动性，本发明实施例设计迭代学习控制器，通过浇铸包沿迭代轴不断收敛，控制浇铸终点重量达到期望值，满足终点重量的高精度控制。对于本次浇铸过程中存在的过程扰动，运用迭代学习控制原理对反向回包过程的扰动进行抑制。
所述运用无模型自适应控制方法和迭代学习控制原理，控制浇铸包的反向回包运动具体包括：
闭环pd型迭代学习控制律为：
式中，uk(t)为控制量，即浇铸包电机转动速度给定量，下标k表示迭代次数，t为本次迭代的时刻，ek(t)为系统的跟踪误差：
其中，ek(t)的表达式为：
ek(t)＝yk(t)-yd(t)
yk(t)为本次迭代当前时刻的输出重量值，yd(t)为期望浇铸曲线当前时刻的浇铸重量。
其中，本次迭代当前时刻的控制量由上次迭代对应时刻的控制量与本次迭代采集的误差信号确定，将所述控制量输入到伺服系统，控制浇铸包进行对应的回包操作。
在上述各实施例的基础上，在反向回包阶段，所述方法还包括：
运用模糊控制原理对pd型迭代学习控制器的参数进行在线修正，闭环pd型迭代学习控制器根据修正后的参数控制浇铸包的反向回包运动。
其中，模糊控制是以模糊集合理论、模糊语言及模糊逻辑为基础的控制，它是模糊数学在控制系统中的应用，是一种非线性智能控制。模糊控制是利用人的知识对控制对象进行控制的一种方法，通常用“if条件，then结果”的形式来表现，所以又通俗地称为语言控制。一般用于无法以严密的数学表示的控制对象模型，即可利用人(熟练专家)的经验和知识来很好地控制。因此利用人的智力模糊地进行系统控制的方法就是模糊控制。
在浇铸包的反向回包阶段，由于迭代学习控制存在在线学习的机制，需要浇铸包实际浇铸多次才能获得较好的浇铸效果，而铜精炼炉每一炉的铜液总量一定，使得浇铸包浇铸过程学习的次数不宜过多，因此需要优化控制器参数，使浇铸包沿迭代轴迅速收敛至期望浇铸曲线附近，缩短学习过程，降低学习成本。
图3为根据本发明实施例提供的模糊闭环pd型迭代学习控制系统的结构示意图，如图3所示，为使浇铸包控制系统具有更好的动态性能和稳态性能，本实施例运用模糊控制原理对闭环pd迭代学习控制器的两个参数进行在线修正，以达到优化的目的。将lp与ld两个迭代学习增益表示为：
lp＝lp0+δlpk
ld＝ld0+δldk
其中，lp0与ld0为初始给定值，可通过现场经验获得，模糊控制器用来调节δlpk与δldk两个参数，并将误差ek(t)与误差变化eck(t)作为输入，δlpk与δldk两个参数作为输出。其中，
eck(t)＝ek(t)-ek(t-1)
且e、ec＝{nb,nm,ns,zo,ps,pm,pb}，子集中的元素分别代表负大、负中、负小、零、正小、正中、正大。故以此可建立针对δlpk与δldk两个参数的模糊控制表如下表1、2。
表1：δlpk的模糊控制规则表
表2：δldk的模糊控制规则表
根据浇铸包现场控制实际操作中的经验，并依据系统输出误差及误差变化率的趋势来消除误差，参考δlpk与δldk两个参数的模糊控制表可制定如下对应的模糊推理规则，共49条，部分如下：
if(eisnb)and(ecisnb)then(δlpkispb)(δldkisps)
if(eisnb)and(ecisnm)then(δlpkispb)(δldkisns)
……
此外，由于浇铸包浇铸重量要求为380kg±1％，误差承受域为±3kg，故本方案以3kg为最小区间，确定e＝{-15,-10,-5,0,5,10,15}，离散论域为{-3,-2,-1,0,1,2,3},则误差e的量化因子ke＝1/5，同理可确定误差变化ec的量化因子kec＝1/10。
因此，可确定模糊闭环pd型迭代学习控制律为：
如图3所示，模糊闭环pd型迭代学习控制系统的具体控制步骤如下：
步骤1：确定初始pd的参数lp0与ld0，并根据现场经验确定好通过表1、2建立δlpk与δldk的实际模糊控制规则表；
步骤2：利用(4)的寻优算法寻找浇铸包初始铜液为650kg下的期望铜液重量曲线与其对应的浇铸包运动曲线，分别作为期望输出曲线与初次迭代的控制曲线u0(t)；
步骤3：当浇铸包处于悬停过程末期，浇铸重量达到预设值m5b时，切换到回包控制阶段；
步骤4：称重传感器获得误差信号ek(t)与误差变化eck(t)，并传给模糊闭环pd型迭代学习控制器，模糊闭环pd型迭代学习控制器根据δlpk与δldk的模糊控制表与控制律(10)得到当前的控制量uk(t)，将其作用于伺服系统，控制浇铸包回包运动；
步骤5：重复step4，直到浇铸包回包过程停止；
步骤6：开始下一次浇铸过程，返回步骤3。
本发明实施例考虑经典迭代学习控制的学习过程过慢的问题，结合现场工艺提出模糊控制的方法，在线修正迭代学习控制律参数，提高浇铸控制系统的动态性能与稳态性能。
图4为根据本发明实施例提供的铜圆盘浇铸控制装置的结构框图，如图4所示，该装置包括正向浇铸模块401和反向回包模块402，其中，
正向浇铸模块401用于建立铜液流量出流模型，运用智能算法，优化浇铸包的正向浇铸运动曲线，并根据优化后的所述正向浇铸运动曲线控制浇铸包的正向浇铸运动。反向回包模块402用于运用无模型自适应控制方法，控制浇铸包的反向回包运动阶段铜液浇铸的重量。
具体地，浇铸包是铜阳极定量浇铸系统中的装置，在电解铜冶炼的整个生产过程中，熔融状态的铜水经定量浇铸后成为符合电解要求的铜板，而符合要求的铜板在电解的作用下，将会产生高纯度的电解铜。浇铸包承接中间包倾倒的一定量的铜水，存储并将铜水按一定量浇铸在模具中，进行极板定量精确浇铸。浇铸包重量控制由其下部所装称重传感器完成。浇铸包在浇铸铜水时，是由驱动装置来驱动浇铸包倾倒的。浇铸包将按浇铸曲线设定的倾倒速度与角度，在规定时间内，将包中铜水平稳地浇铸在模具中，实现铜极板精确浇铸。
图2为根据本发明实施例提供的正向浇铸运动曲线的优化流程示意图，正向浇铸模块401首先建立铜液流量出流模型，通过分析浇铸包正向浇铸运动特点，基于实际工艺指标，保证浇铸过程中无铜液飞溅等阳极板质量要求，建立浇铸包正向浇铸阶段最优浇铸曲线模型。然后运用智能算法，以浇铸时间为优化目标，优化浇铸包的正向浇铸运动曲线，最后将优化后的正向浇铸运动曲线输入到伺服系统中，控制浇铸包的正向浇铸。提高浇铸生产的效率。解决传统浇铸生产过程中生产效率偏低的问题。
浇铸包正向浇铸完成后，进入反向回包阶段，正常工况下，浇铸包初始铜液重量为650kg±40kg，此时初始铜液重量较为稳定，由于浇铸包的铜液出流模型复杂度较高，难以实现基于模型的控制策略，难以满足浇铸终点重量的高精度控制。反向回包模块402利用无模型自适应控制方法，控制反向回包阶段铜液浇铸的重量，分析浇铸包回包的重复特性并设计闭环pd型迭代学习控制器，运用迭代学习控制原理，控制浇铸包的反向回包运动。其中，无模型自适应(mfa，model-freeadaptive)控制，是一种无需建立过程模型的自适应控制方法，无模型自适应控制系统应具有如下属性或特征：无需精确的过程定量知识；系统中不含过程辨识机制和辨识器；不需要针对某一过程进行控制器设计；不需要复杂的人工控制器参数整定；具有闭环系统稳定性分析和判据，确保系统的稳定性。
本发明实施例提供的铜圆盘浇铸控制装置，将浇铸子过程整合为“正向浇铸”与“反向回包”两个阶段，在正向浇铸阶段，通过智能算法，优化浇铸包的正向浇铸运动曲线，提高了浇铸生产的效率。在浇铸包反向回包时，针对浇铸过程中存在的外界干扰，通过闭环pd型迭代学习控制器，控制浇铸包的反向回包运动，使浇铸包沿迭代轴不断重复调整，达到浇铸终点重量指标，提高了浇铸过程的抗扰动性，提高了浇铸系统的稳定性。
在上述各实施例的基础上，所述正向浇铸模块401具体用于：
基于所述铜液流量出流模型，以浇铸时间为优化目标，以浇铸过程中铜液不能冲出母模为约束条件，建立单目标优化模型，进行参数寻优；获取优化的正向浇铸运动曲线。
在上述各实施例的基础上，所述装置还包括：
参数修正模块，用于运用模糊控制原理对所述pd型迭代学习控制器的参数进行在线修正，闭环pd型迭代学习控制器根据修正后的参数控制浇铸包的反向回包运动。
其中，模糊控制是以模糊集合理论、模糊语言及模糊逻辑为基础的控制，它是模糊数学在控制系统中的应用，是一种非线性智能控制。模糊控制是利用人的知识对控制对象进行控制的一种方法，通常用“if条件，then结果”的形式来表现，所以又通俗地称为语言控制。一般用于无法以严密的数学表示的控制对象模型，即可利用人(熟练专家)的经验和知识来很好地控制。因此利用人的智力模糊地进行系统控制的方法就是模糊控制。
在浇铸包的反向回包阶段，由于迭代学习控制存在在线学习的机制，需要浇铸包实际浇铸多次才能获得较好的浇铸效果，而铜精炼炉每一炉的铜液总量一定，使得浇铸包浇铸过程学习的次数不宜过多，因此需要优化控制器参数，使浇铸包沿迭代轴迅速收敛至期望浇铸曲线附近，缩短学习过程，降低学习成本。
图3为根据本发明实施例提供的模糊闭环pd型迭代学习控制系统的结构示意图，如图3所示，为使浇铸包控制系统具有更好的动态性能和稳态性能，本实施例运用模糊控制原理对闭环pd迭代学习控制器的两个参数进行在线修正，以达到优化的目的。将lp与ld两个迭代学习增益表示为：
lp＝lp0+δlpk
ld＝ld0+δldk
其中，lp0与ld0为初始给定值，可通过现场经验获得，模糊控制器用来调节δlpk与δldk两个参数，并将误差ek(t)与误差变化eck(t)作为输入，δlpk与δldk两个参数作为输出。其中，
eck(t)＝ek(t)-ek(t-1)
且e、ec＝{nb,nm,ns,zo,ps,pm,pb}，子集中的元素分别代表负大、负中、负小、零、正小、正中、正大。故以此可建立针对δlpk与δldk两个参数的模糊控制表如表1和表2。
根据浇铸包现场控制实际操作中的经验，并依据系统输出误差及误差变化率的趋势来消除误差，参考δlpk与δldk两个参数的模糊控制表可制定如下对应的模糊推理规则，共49条，部分如下：
if(eisnb)and(ecisnb)then(δlpkispb)(δldkisps)
if(eisnb)and(ecisnm)then(δlpkispb)(δldkisns)
……
此外，由于浇铸包浇铸重量要求为380kg±1％，误差承受域为±3kg，故本方案以3kg为最小区间，确定e＝{-15,-10,-5,0,5,10,15}，离散论域为{-3,-2,-1,0,1,2,3},则误差e的量化因子ke＝1/5，同理可确定误差变化ec的量化因子kec＝1/10。
因此，可确定模糊闭环pd型迭代学习控制律为：
如图3所示，模糊闭环pd型迭代学习控制系统的具体控制步骤如下：
步骤1：确定初始pd的参数lp0与ld0，并根据现场经验确定好通过表1、2建立δlpk与δldk的实际模糊控制规则表；
步骤2：利用(4)的寻优算法寻找浇铸包初始铜液为650kg下的期望铜液重量曲线与其对应的浇铸包运动曲线，分别作为期望输出曲线与初次迭代的控制曲线u0(t)；
步骤3：当浇铸包处于悬停过程末期，浇铸重量达到预设值m5b时，切换到回包控制阶段；
步骤4：称重传感器获得误差信号ek(t)与误差变化eck(t)，并传给模糊闭环pd型迭代学习控制器，模糊闭环pd型迭代学习控制器根据δlpk与δldk的模糊控制表与控制律(10)得到当前的控制量uk(t)，将其作用于伺服系统，控制浇铸包回包运动；
步骤5：重复step4，直到浇铸包回包过程停止；
步骤6：开始下一次浇铸过程，返回步骤3。
本发明实施例考虑经典迭代学习控制的学习过程过慢的问题，结合现场工艺提出模糊控制的方法，在线修正迭代学习控制律参数，提高浇铸控制系统的动态性能与稳态性能。
本发明提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述各方法实施例所提供的方法。例如包括：建立铜液流量出流模型，运用智能算法，优化浇铸包的正向浇铸运动曲线，并根据优化后的所述正向浇铸运动曲线控制浇铸包的正向浇铸运动；运用无模型自适应控制方法和迭代学习控制原理，控制浇铸包的反向回包运动。
本发明提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法。例如包括：建立铜液流量出流模型，运用智能算法，优化浇铸包的正向浇铸运动曲线，并根据优化后的所述正向浇铸运动曲线控制浇铸包的正向浇铸运动；运用无模型自适应控制方法和迭代学习控制原理，控制浇铸包的反向回包运动。
本本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。