CN103744292B - 一种基于数据驱动的稀土萃取过程动态操作控制方法 - Google Patents

Abstract

本发明属于稀土串级萃取自动控制技术领域，特别涉及一种基于数据驱动的稀土萃取过程动态操作控制方法。通过使用最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)建立稀土元素组分含量的软测量模型，提出了基于聚类的LSSVM稀疏性改进方法以及LSSVM模型的动态更新方法，基于改进的LSSVM，提出了稀土串级萃取生产过程的动态操作优化方法，以确定在发生扰动时各控制变量的最优调整量，从而实现稀土元素组分含量的动态与精确控制，进而提高稀土产品的质量。本发明能够稳定并提高稀土产品的质量。

Description

一种基于数据驱动的稀土萃取过程动态操作控制方法

技术领域

本发明属于稀土串级萃取自动控制技术领域，特别涉及一种基于数据驱动的稀土萃取过程动态操作控制方法。

背景技术

稀土包含斓系元素、钪和钇共17种元素，这些元素被称为新世纪的战略元素，已经广泛应用于机械、冶金、石化、航天等工业领域。目前，我国应用较为广泛的是基于有机溶剂萃取的湿法冶金来提取稀土元素。稀土串级萃取过程的工艺和控制流程图如图1所示。含有被分离组分A与B(A为易萃组分，B为难萃组分)的水相稀土料液F001，从第n级(进料级)加入萃取槽，萃取剂F002从萃取段第一级加入萃取槽，洗涤酸液F003从洗涤段最后一级(n+m级)加入萃取槽。萃取段的作用是把水相料液中的绝大部分A和少部分B萃入有机相得到负载有机相，洗涤段的作用是通过洗涤酸液与有机相多级接触，把负载稀土有机相中B的绝大部分洗入水相。由于萃取槽的特殊结构设计和萃取分离过程中搅拌力的作用，使得各级萃取槽中有机相从左向右、水相从右向左产生逆向流动。经过萃取段和洗涤段各级的交换和纯化，最后从萃取段第1级得到含B的水相出口产品，其组分含量(纯度)为ρ_B；洗涤段第n+m级得到含A的负载有机相出口产品，其组分含量(纯度)为ρ_A。在实际生产过程中，由于稀土原料包含的组份较多，并且各稀土元素之间的化学性质十分相似，导致相互间分离系数较小，使得工业生产所需的萃取分离流程的级数比较多(通常为几十到上百级)，从而导致萃取过程的机理非常复杂，难以建立稀土串级萃取过程的严格机理模型。

在稀土串级萃取的生产过程中，影响产品质量的关键因素是各元素的组分含量，而组分含量由萃取剂、料液及酸液的流量三个控制变量确定，如何在生产过程出现较大扰动时合理确定各操作变量的调整量，使得稀土元素组分含量符合目标要求，对于稀土分离企业具有非常重要的意义。稀土分离企业通常是在离出口5-25级间设置过程检测点，通过检测并控制此处的稀土元素组分含量以确保两端出口产品纯度。但是，传统的离线检测过程耗时较长，难以实现对产品质量的精确控制。因而以往的研究多是通过软测量的方式来实现稀土元素组分含量的在线检测。中国专利ZL200510046245.9提出了一种基于聚类分析和经验模型的稀土元素组分含量软测量方法，该方法首先对采集到的数据进行聚类，然后针对各聚类的数据进行分析，建立基于指数函数的稀土元素组分含量的经验公式，最后使用遗传算法确定经验公式中的参数，实现软测量。但是该方法还存在以下不足之处：首先，所建立的软测量模型是基于经验公式，没有充分利用生产过程数据，容易导致预测的精度不高；其次，该方法只是实现了稀土元素组分含量的软测量，但是当生产过程中扰动较大而导致组分含量与其设定目标相关较大时，并没有给出各控制量的调整方法。中国专利CN201010555634.5提出了一种稀土萃取过程组分含量的多模型预测控制方法，该方法建立了基于多线性模型的稀土元素组分含量软测量模型，并根据广义预测算法来确定出现扰动后各控制变量的调整量。该方法的主要缺陷在于所采用的预测和控制模型均为线性模型，而实际生产过程是一个典型的非线性动态过程，从而容易导致该方法的预测和控制精度较低。

发明内容

为了克服现有稀土串级萃取生产过程组分含量预测与产品质量控制方法存在的缺陷，本发明提供一种基于数据驱动的稀土串级萃取过程动态操作控制方法，通过使用最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)建立稀土元素组分含量的软测量模型，提出了基于聚类的LSSVM稀疏性改进方法以及LSSVM模型的动态更新方法，基于改进的LSSVM，提出了稀土串级萃取生产过程的动态操作优化方法，以确定在发生扰动时各控制变量的最优调整量，从而实现稀土元素组分含量的动态与精确控制，进而提高稀土产品的质量。

一种基于数据驱动的稀土萃取生产过程动态操作控制方法，按照以下步骤进行：

步骤1：采集稀土原料历史样本数据，改进样本数据，并基于改进的样本数据，建立稀土元素组分含量的LSSVM离线软测量模型，以LSSVM离线软测量模型得到的稀土元素组分含量预测估计值与稀土元素组分含量的实际样本值之间的均方根误差最小化为优化目标，建立优化模型，采用改进的差分进化算法求解优化模型，得到基于改进的样本数据的稀土元素组分含量预测估计值，并将其储存在稀土元素组分含量LSSVM离线软测量模型库中；

具体步骤是：

(1)针对每一种稀土原料，采集其近3个月的萃取过程样本数据，设样本总数为B,所述的每一个样本数据用向量表示，包括稀土元素的组分含量及其对应的料液流量、料液组分浓度、萃取剂流量和洗涤酸液流量；

(2)对采集到的样本的数据进行归一化处理，然后使用基于聚类的异常点检测方法，剔除含有显著误差的样本数据，该检测方法具体步骤是：

2.1根据样本中的稀土元素组分含量及其对应的料液流量、料液组分浓度、萃取剂流量、洗涤酸液流量，使用量子聚类算法将所有样本数据进行聚类，得到w个分类C＝{C₁,…,C_k}，w为正整数；

2.2计算所有样本向量的异常因子其中|C_i|表示分类C_i中的样本个数，表示样本到分类C_i的距离；

2.3计算所有样本异常因子的平均值avg_OF和标准差dev_OF；

2.4将该分类中满足OF(x)≥avg_OF+α×dev_OF的所有样本删除，其中α为[1,1.5]之间的数；

(3)针对去除显著误差后的每一种稀土原料样本数据集合进行稀疏化改进，基于步骤(2)中的分类结果，依据分类包含的样本数量的多少划分其拥挤程度，删除拥挤程度较大的分类中的一定数量的样本，得到稀疏化改进后的样本数据集合，其中包含n个样本数据；

具体步骤是：

3.1使用量子聚类算法将所有去除显著误差后的样本数据进行聚类，并按照各分类中样本数据的个数从大到小排序，得到l个分类C'＝{C'₁,…,C'_l}，计算各分类中样本的拥挤距离；

所述的拥挤距离定义为当前样本到第m个与其距离最近的样本之间的距离，两个样本和之间的距离定义为其中Q＝4为样本属性的总数量，x_1，j和x_2，j分别表示两个样本的第j个属性值；显然，拥挤距离的值越小说明其拥挤程度越高；

3.2针对前个分类，依次删除各分类中拥挤距离最小的样本，删除规则如下：

①如果该分类中的样本个数占总样本数据的百分比小于10％，则删除其中拥挤距离最小的前20％的样本；

②如果该分类中的样本个数占总样本数据的百分比大于10％而小于20％，则删除其中拥挤距离最小的前30％的样本；

③如果该分类中的样本个数占总样本数据的百分比大于20％而小于30％，则删除其中拥挤距离最小的前40％的样本；

④如果该分类中的样本个数占总样本数据的百分比大于30％，则删除其中拥挤距离最小的前50％的样本；

(4)基于步骤(3)中得到的改进的n个样本数据，建立稀土元素组分含量的LSSVM离线软测量模型，在LSSVM离线软测量模型中使用RBF核函数，并引入模型参数γ和σ²，其中γ是LSSVM离线软测量模型的正规化参数，σ²是RBF核函数参数，具体表示为：其中表示第i个样本数据；

针对n个样本数据中的第i个样本中稀土元素组分含量的LSSVM离线软测量模型是： ${\hat{y}}_i=LSSVM(\mathrm{\γ},{\mathrm{\σ}}^2,V_O^i,V_F^i{V}_W^i,X_F^i);$

其中，是第i个样本的稀土元素组分含量的预测估计值，分别代表第i个样本数据中萃取剂的流量、料液的流量、洗涤酸液的流量以及料液的组分浓度；

(5)将LSSVM离线软测量模型中引入的参数γ和σ²的确定作为一个优化问题进行求解，将由LSSVM软测量模型得到的所有样本中稀土元素组分含量预测值与其对应的稀土元素组分含量的实际样本值之间的均方根误差最小作为优化目标，即：

$Minimize\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{({\hat{y}}_i-y_i)}^2}---\left(1\right)$

其中，y_i为第i个样本数据中的稀土元素实际组分含量；

将LSSVM模型的正规化参数γ与RBF核函数参数σ²的取值范围作为约束条件，即

γ_min≤γ≤γ_max (2)

σ² _min≤σ²≤σ² _max (3)

其中γ_min和γ_max分别是γ的最小和最大值，σ² _min和σ² _max分别是γ的最小和最大值；

(6)采用改进的差分进化算法求解步骤(5)中所建立的优化模型(1)-(3)，得到的解是由LSSVM模型的两个参数构成的向量X＝(γ,σ²)；

所述的改进的差分进化算法的具体步骤是：

6.1产生由N_p个解组成的初始种群：

种群由一系列随机产生的解组成，即其中每一个解都是在正规化参数γ与RBF核函数参数σ²的取值范围(2)-(3)内随机产生的；

第i个解记为X_i＝(x_1,i,x_2,i)，其中x_1,i＝γ_i表示第i个解的正规化参数，x_2,i＝σ² _i表示RBF核函数参数；并将初始种群中最好的b个解存入到精英解集合E中；

6.2初始化算法参数：

初始化各变异算子k的选择概率p_k＝1/K，其中K为变异算子的总数目，设置各变异算子成功次数与失败次数的记数器初始值s_k＝0，f_k＝0，设置当前迭代次数g＝0；在本算法中共使用四种差分进化中常用的变异算子：

DE/rand/1:V_i＝X_r1+F×(X_r2–X_r3)； (4)

DE/best/1:V_i＝X_best+F×(X_r1–X_r2)； (5)

DE/rand-to-best/1:V_i＝X_i+F×(X_best–X_i)+F×(X_r1–X_r2)； (6)

DE/best/2:V_i＝X_best+F×(X_r1–X_r2)+F×(X_r3–X_r4). (7)

其中，X_r1、X_r2、X_r3、X_r4是从种群中随机选取的四个不同的解，这四个解同时也不等于X_i；X_best是从精英解集合E中随机选取的一个解；V_i称为变异向量，它是由随机选取的解通过变异算子(4)-(7)所得到的一个新解；F称为控制参数，它决定了对两个变量之差的学习程度；

6.3更新种群：

种群中每个解X_i的更新过程包括以下三个步骤：

首先，执行变异操作：将各变异算子的选择概率连成一个轮盘，即各变异算子的选择区域为[a_k-1,a_k]，k＝1,2,…,K，其中a₀＝0，a_k＝a_k-1+p_k，显然a_K＝1；再产生一个[0,1]内的随机数，根据该值所属轮盘的区域号，确定使用的变异算子，假定为k；接着，根据该变异算子k的要求选择相应的解，执行变异操作得到一个新的变异向量V_i＝(v_1,i,v_2,i)；

其次，执行交叉操作，得到一个新的解U_i＝(u_1,i,u_2,i)， $u_{j,i}=\left\{\begin{array}{cc}{v}_{ji},& if{\mathrm{rand}}_j\≤C_{r}orj=j_{rand}\\ x_{ji},& otherwise\end{array}\right.,$ j＝1,2；其中，rand_j是[0,1]内的随机数，j_rand是[1,2]内的随机整数，C_r是交叉概率；

最后，执行选择操作：如果新解U_i的目标函数值小于X_i，则设置X_i＝U_i，以及s_k＝s_k+1；否则保持X_i不变，并设置f_k＝f_k+1；

6.4更新精英解集合E：

清空精英解集合E，然后将新种群中最好的b个解存入到精英解集合E中；

6.5更新各变异算子的选择概率：

更新各变异算子的选择概率，更新公式为：其中r_k称为变异算子k的成功率，即r_k＝s_k/(s_k+f_k)；

6.6设置g＝g+1，当g<g_max，g_max为最大迭代次数，则转到Step 3；否则，停止，输出种群中的最好解X＝(γ,σ²)；

(7)LSSVM模型的正规化参数γ与RBF核函数参数σ²的取值确定后，则第i个样本的稀土元素组分含量预测估计值也随之确定，将由参数γ,σ²、样本的料液流量、萃取剂流量、洗涤酸液流量、料液组分浓度和稀土元素组分含量预测估计值构成的LSSVM离线软测量模型存储到稀土元素组分含量离线软测量模型库中，重复执行步骤1-(4)～1-(6)，直到所有种类的稀土原料的LSSVM模型建立完成；

步骤2：采集当前实际工况稀土原料的数据，从步骤1-(7)中所建立的稀土元素组分含量LSSVM离线软测量模型库中，选择与当前稀土原料成分最相近的稀土原料的LSSVM离线软测量模型作为当前稀土原料的组分含量软测量模型，并将LSSVM离线软测量模型计算出的组分含量的预测估计值，与工艺目标设定值之间偏差的平方最小化作为优化目标，建立稀土元素组分含量静态操作优化模型，采用改进差分进化算法求解静态操作优化模型，得到V_O，V_F，V_W三个控制变量的优化设定值，下发到稀土料液流量控制器FIC001、萃取剂流量控制器FIC002、洗涤酸液流量控制器FIC003执行；

具体步骤是：

(1)采集当前实际工况稀土原料的数据信息，从步骤1-(7)中所建立的稀土元素组分含量LSSVM离线软测量模型库中，选择与当前稀土原料成分最相近的稀土原料的LSSVM离线软测量模型作为当前稀土原料的组分含量软测量模型；

(2)以LSSVM离线软测量模型计算出的组分含量的预测估计值与工艺设定的稀土元素目标组分含量值之间偏差的平方最小化作为优化目标，建立稀土元素组分含量静态操作优化模型，即：

$Minimize{(\hat{y}-y_o)}^2---\left(8\right)$

其中，为由LSSVM软测量模型计算出的组分含量的估计值，γ和σ²是步骤1-(6)中所求得的针对当前稀土原料的LSSVM模型的两个参数；y_o为工艺设定的稀土元素目标组分含量值；V_O，V_F，V_W分别是萃取剂、料液和洗涤酸液的流量，为控制变量；X_F表示料液的组分浓度，为已知量；

以各控制变量的上下限作为约束条件，即：

V_O，min≤V_O≤V_O，max (9)

V_F，min≤V_F≤V_F，max(10)

V_W，min≤V_W≤V_W，max (11)

其中V_O,min，V_O,max，V_F,min，V_F,max，V_W,min，V_Wmax分别为V_O，V_F，V_W的最小和最大值；

(3)采用如1-(6)所示的改进的差分进化算法求解模型(8)-(11)，在该算法中解向量由V_O，V_F，V_W三个控制变量组成，经算法求解后得到V_O，V_F，V_W三个控制变量的优化设定值，下发到稀土料液流量控制器FIC001、萃取剂流量控制器FIC002和洗涤酸液流量控制器FIC003执行；

(4)使用滑动时间窗方法更新软测量模型，即每当实验室完成稀土元素的离线检测之后，将该检测结果及其对应的V_O，V_F，V_W三个控制变量值和料液组分浓度作为一个新样本加入到步骤1-(3)的n个样本数据中，同时将该数据库中的第一个样本删除，再调用步骤1-(4)～1-(6)中的方法重新训练LSSVM模型，实现LSSVM模型的动态更新，保证LSSVM模型总是根据最近3个月的数据训练得到的；

步骤3：检测生产扰动，实时检测由LSSVM离线软测量模型计算出的组分含量的预测估计值与工艺设定的稀土元素目标组分含量值之间的偏差，当该偏差未超过预先设定的阀值q时，仍保持当前的控制变量值V_O，V_F，V_W不变，继续进行稀土萃取；否则，认为出现较大扰动，进行动态操作优化，确定三个控制变量的最优调整量，以保证稀土元素组分含量值达到其目标设定值；

所述的进行动态操作优化的具体步骤是：

(1)以调整时间T_f内稀土元素组分含量预测估计值与稀土元素目标组分含量值之间的累计偏差最小化为目标，建立稀土元素组分含量的动态操作优化模型：

其中，表示t时刻(0≤t≤T_f)稀土元素组分含量的预测值，V_O(t)，V_F(t)，V_W(t)分别表示t时刻(0≤t≤T_f)的萃取剂、料液和洗涤酸液流量值，并且V_O(T_f)＝V_O(0)+ΔV_O，V_F(T_f)＝V_F(0)+ΔV_F，V_W(T_f)＝V_W(0)+ΔV_W，其中V_O(0)，V_F(0)，V_W(0)分别表示调整前的萃取剂、料液和洗涤酸液流量值；

采用各控制变量调整量的上下限作为模型的约束条件，具体包括：

萃取剂流量调整量ΔV_O上下限约束：ΔV_O，min≤ΔV_O≤ΔV_O，max (13)

料液流量调整量ΔV_F上下限约束：ΔV_F，min≤ΔV_F≤ΔV_F，max (14)

洗涤酸液流量调整量ΔV_W上下限约束：ΔV_W，min≤ΔV_W≤ΔV_W，max (15)

其中，ΔV_O,min，ΔV_O,max，ΔV_F,min，ΔV_F,max，ΔV_W,min，ΔV_Wmax分别为ΔV_O，ΔV_F，ΔV_W的最小和最大值；

(2)采用如1-(6)所述的改进的差分进化算法求解模型(12)-(15)，求得的解向量由ΔV_O，ΔV_F，ΔV_W三个控制变量组成；

由于在实际生产过程中各控制变量的调节都是连续且均匀调节的，因此在计算目标函数(12)时假定各控制变量均需要M个连续且相等的时间段才能执行完需要的调节量，即将[0,T_f]分成M个连续且相等的时间段，每个时间段内各控制变量均保持不变；

以料液流量调整为例，对于给定的料液流量调整量ΔV_F，在第i个时间段内的料液流量为V_F,i且保持不变，而任意相邻两个时间段i和i+1之间的料液流量之差|V_F,i+1-V_F,i|(i＝0,2,…,M-1)均相等且等于ΔV_F/M，并且满足ΔV_F＝|V_F,0-V_F,M|，其中V_F,0表示调整前的料液流量，基于这种划分方法，可以使用复合梯形公式来计算目标函数(12)：

其中表示第i个时间段内的稀土组分含量预测值；

(3)将控制变量的最优调整量下发到流量回路控制器，即稀土料液流量控制器FIC001、萃取剂流量控制器FIC002、洗涤酸液流量控制器FIC003，通过对各控制变量的流量进行M次连续并且均匀地调整，使得产品的组分含量尽快达到目标设定值；

(4)重复执行步骤2-(4)～3-(3)，实现稀土串级萃取生产过程的动态操作控制优化，直至稀土原料萃取生产过程结束。

与现有技术相比，本发明的特点和有益效果是：

本发明的工作原理如说明书附图图2所示，主要包括两个模块：流量静态优化设定模块和组分含量动态操作优化模块。

首先，本发明对采集到的稀土样本数据进行了稀疏化改进，以防止预测模型对该分类出现过学习的情况，从而增强预测模型的泛化能力与预测精度的鲁棒性，流量静态优化设定模块根据所采集到的离线训练数据，使用改进的LSSVM方法获得离线的组分含量软测量模型；然后，根据生产过程所设定的稀土元素目标组分含量、萃取剂浓度、料液组分浓度，利用组分含量静态操作优化模型与算法获得料液、萃取剂、洗涤酸液的流量设定值；

接着，在组分含量动态操作优化模块，LSSVM模型会使用滑动窗口方法将离线检测的组分含量以其对应的操作变量数据加入到训练数据库中，同时将时间最早的一条训练数据删除，利用更新后的训练数据动态更新LSSVM模型；由于稀土萃取过程是一个非线性的动态过程，当发生扰动时，稀土萃取生产过程中的扰动主要包括两类，一类是稀土原料的料液组分含量的动态变化，另一类是生产过程中V_O，V_F，V_W三个控制变量会偏离原来的设定值。这两类生产扰动都会导致稀土元素组分含量的预测值与其目标设定值之间出现偏差，当该偏差未超过预先设定的阀值q时，仍保持当前的控制变量值不变；否则，认为出现较大扰动，需要进行动态操作优化，针对该偏差，本发明使用组分含量动态操作优化模型与算法来获得各控制变量的最优调整量，然后通过流量回路控制器来实现对料液、萃取剂、洗涤酸液流量的调整，使得实际的稀土元素组分含量尽快达到目标设定值，该动态操作优化过程将在生产扰动发生时动态执行，直到稀土萃取生产过程结束。

与现有技术相比，本发明提供了一种基于数据驱动的稀土串级萃取生产过程动态操作控制方法，该方法分为静态操作优化和动态操作优化两个模块，其中稀土元素组分含量的软测量采用改进的LSSVM模型。静态操作优化负责确定初始各控制变量的最优设定，而动态操作优化则完成稀土元素组分含量软测量模型的在线更新，并且在扰动发生时能够合理确定各控制变量的最优调整量，从而使得稀土元素组分含量尽快回到目标设定值。由于稀土元素的组分含量直接决定了稀土产品的质量，因而本发明能够稳定并提高稀土产品的质量。

附图说明

图1为本发明所涉及的稀土串级萃取生产工艺和控制流程图；

图2为本发明所提出的稀土串级萃取动态操作控制方法原理图；

图3为本发明所提出的改进LSSVM与传统LSSVM针对测试样本的预测结果对比图；

图4为本发明所提出的改进LSSVM与传统LSSVM针对测试样本的预测误差对比图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

本实施例基于图1所示的稀土串级萃取生产过程，原料为富含Y₂O₃的离子型稀土矿，料液的组分浓度>40％并且在生产的过程中在[41.2％,56.3％]范围内动态变化，所需要获得的稀土产品是高纯钇。图中FIC001、FIC002、FIC003分别为稀土料液、萃取剂和洗涤酸液的流量控制器；OOC004为稀土串级萃取动态操作优化控制器，其内嵌稀土串级萃取静态操作优化模块与动态操作优化模块，分别控制变量初始值的设定以及出现生产扰动时各控制变量的动态调整。

将本发明所提出的基于数据驱动的稀土串级萃取生产过程动态操作控制方法应用于本实施例，具体步骤包括：

步骤1：采集稀土原料历史样本数据，改进样本数据，并基于改进的样本数据，建立稀土元素组分含量的LSSVM离线软测量模型，以LSSVM离线软测量模型得到的稀土元素组分含量预测估计值与稀土元素组分含量的实际样本值之间的均方根误差最小化为优化目标，建立优化模型，采用改进的差分进化算法求解优化模型，得到基于改进的样本数据的稀土元素组分含量预测估计值，并将其储存在稀土元素组分含量LSSVM离线软测量模型库中；

具体步骤是：

(1)针对该稀土原料，采集近3个月的样本数据，各样本数据包括组分含量及其对应的料液流量、料液组分浓度、萃取剂流量、洗涤酸液流量，共获得172组样本数据；

(2)首先对各样本进行归一化处理，然后使用基于聚类的异常点检测方法，将样本分为不同的分类，然后剔除掉含有显著误差的样本数据，共计18组，从剩余的154组样本随机选取50组作为测试数据，其它104组作为训练数据；

(3)改进训练样本的稀疏性：

包括以下步骤：

3.1使用量子聚类算法将104组样本数据进行聚类，并按照各分类中样本数据的个数从大到小排序，得到9个分类C'＝{C'_1,…,C'₉}，计算各分类中样本的拥挤距离。

3.2针对前2个分类，根据规则依次删除这两个分类中拥挤距离最小的样本。第1个分类中的样本数为32个，因此删除前16个拥挤距离最小的样本数据；第2个分类中的样本数据为20个，因此删除前6个拥挤距离最小的样本数据；剩余82个样本数据作为训练数据。

(4)基于步骤(3)中得到的改进的82个样本数据，建立稀土元素组分含量的LSSVM离线软测量模型，在LSSVM离线软测量模型中使用RBF核函数，并引入模型参数γ和σ²，并使用差分进化算法确定模型参数；

在差分进化算法中，种群由50个解组成，控制参数F＝0.8，交叉概率C_r＝0.1，精英解集合的大小b＝10，算法的迭代次数g_max＝100；

经过计算，得到LSSVM模型参数为γ＝9805.52，σ²＝1.60；

LSSVM模型的正规化参数γ与RBF核函数参数σ²的取值确定后，则第i个样本的稀土元素组分含量预测估计值也随之确定，将由参数γ,σ²、样本的料液流量、萃取剂流量、洗涤酸液流量、料液组分浓度和稀土元素组分含量预测估计值构成的LSSVM离线软测量模型存储到稀土元素组分含量离线软测量模型库中，重复执行步骤1-(4)～1-(6)，直到所有种类的稀土原料的LSSVM离线软测量模型都建立完成；

在本实施例中，使用稀疏化改进后的82个样本数据训练得到的LSSVM模型与使用步骤2中104个样本训练得到的LSSVM模型，分别对50个测试样本数据进行测试，其预测结果和预测误差分别如图3和图4所示，从中可以看出，经过稀疏化改进之后的LSSVM模型的预测误差不超过3％，要明显小于未使用该策略的传统LSSVM模型，从而表明了本发明所提出的稀疏化改进策略的有效性，其可以大大提高传统LSSVM模型的预测精度和稳定性；

步骤2：采集当前实际工况稀土原料的数据，从步骤1-(7)中所建立的稀土元素组分含量LSSVM离线软测量模型库中，选择与当前稀土原料成分最相近的稀土原料的LSSVM离线软测量模型作为当前稀土原料的组分含量软测量模型，并将LSSVM离线软测量模型计算出的组分含量的预测估计值，与工艺目标设定值之间偏差的平方最小化作为优化目标，建立稀土元素组分含量静态操作优化模型，采用改进差分进化算法求解静态操作优化模型，得到V_O，V_F，V_W三个控制变量的优化设定值，下发到稀土料液流量控制器FIC001、萃取剂流量控制器FIC002、洗涤酸液流量控制器FIC003执行；

具体步骤是：

(1)采集当前实际工况稀土原料的数据信息，从步骤1-(7)中所建立的稀土元素组分含量LSSVM离线软测量模型库中，选择与当前稀土原料成分最相近的稀土原料的LSSVM离线软测量模型作为当前稀土原料的组分含量软测量模型；

(2)以LSSVM离线软测量模型计算出的组分含量的预测估计值与工艺设定的稀土元素目标组分含量值之间偏差的平方最小化作为优化目标，建立稀土元素组分含量静态操作优化模型，即：

$Minimize{(\hat{y}-y_o)}^2---\left(17\right)$

其中，为由LSSVM软测量模型计算出的组分含量的估计值；y_o为设定的稀土元素目标组分含量值；V_O，V_F，V_W分别是萃取剂、料液和洗涤酸液的流量，为控制变量。

以各控制变量的上下限作为约束条件：

19.21ml/min≤V_O≤78.27ml/min (18)

1.92ml/min≤V_F≤6.81ml/min (19)

2.74ml/min≤V_W≤13.16ml/min (20)

(3)使用步骤1-(6)中所述的改进差分进化算法求解模型(17)-(20)，在该算法中解向量由V_O，V_F，V_W三个控制变量组成，经算法求解后得到三个控制变量的优化设定值为V_O＝71.16ml/min，V_F＝6.08ml/min，V_W＝10.26ml/min，下发到稀土料液流量控制器FIC001、萃取剂流量控制器FIC002和洗涤酸液流量控制器FIC003执行；

(4)每当实验室完成稀土元素的离线检测之后，将该检测结果及其对应的V_O，V_F，V_W三个控制变量值和料液组分浓度作为一个新样本加入到LSSVM模型训练数据库的82个样本数据中，同时将该数据库中的第一个样本删除，再调用步骤1-(4)～1-(6)中的方法重新训练LSSVM模型，实现LSSVM模型的动态更新，保证LSSVM模型总是根据最近3个月的数据训练得到的；

步骤3：检测生产扰动，在本实施例中，由于稀土原料的料液组分含量出现了较大变动，从初始的42.5％增加到了48.2％，从而导致稀土元素组分含量的预测值与其目标设定值之间的偏差达到了5.4％，超过预先设定的阀值2％，需要进行动态操作优化，确定三个控制变量的最优调整量，以保证稀土元素组分含量值尽快达到其目标设定值；

具体步骤是：

(1)以调整时间T_f＝1min内稀土元素组分含量预测值与目标值之间的累计偏差最小化为目标，建立组分含量动态操作优化模型如下：

其中， $\hat{y}\left(t\right)=LSSVM(9236.14,1.85,V_O(t),V_F(t),V_W(t),42.5\%)$ 表示t时刻(0≤t≤T_f)稀土元素组分含量的预测值，V_O(t)，V_F(t)，V_W(t)分别表示t时刻(0≤t≤T_f)的萃取剂、料液和洗涤酸液流量值，且V_O(T_f)＝V_O(0)+ΔV_O，V_F(T_f)＝V_F(0)+ΔV_F，V_W(T_f)＝V_W(0)+ΔV_W，其中V_O(0)，V_F(0)，V_W(0)分别表示调整前的萃取剂、料液和洗涤酸液流量值；

以各控制变量的调整上下限为约束条件：

萃取剂流量调整量ΔV_O上下限约束：0.1ml/min≤ΔV_O≤10ml/min (22)

料液流量调整量ΔV_F上下限约束：0.1ml/min≤ΔV_F≤2.0ml/min (23)

洗涤酸液流量调整量ΔV_W上下限约束：0.1ml/min≤ΔV_W≤3.0ml/min (24)

(2)利用步骤1-(6)中所述的改进差分进化算法求解模型(21)-(24)，在该算法中解向量由ΔV_O，ΔV_F，ΔV_W三个控制变量组成，各控制变量均需要M＝10个连续且相等的时间段才能执行完需要的调节量。经过优化计算，得到各控制变量的最优调整量为ΔV_O＝1.06ml/min，ΔV_F＝0.52ml/min，ΔV_W＝0.39ml/min；

(3)将控制变量的最优调整量下发到流量回路控制器，即稀土料液流量控制器FIC001、萃取剂流量控制器FIC002、洗涤酸液流量控制器FIC003，通过对各控制变量的流量进行M次连续并且均匀地调整，使得产品的组分含量尽快达到目标设定值；

(4)重复执行步骤2-(4)～3-(3)，实现稀土串级萃取生产过程的动态操作优化，直至稀土原料萃取生产过程结束。

Claims (4)

1.一种基于数据驱动的稀土萃取过程动态操作控制方法，其特征在于按照以下步骤进行：

步骤1：采集稀土原料历史样本数据，改进样本数据，并基于改进的样本数据，建立稀土元素组分含量的LSSVM离线软测量模型，以LSSVM离线软测量模型得到的稀土元素组分含量预测估计值与稀土元素组分含量的实际样本值之间的均方根误差最小化为优化目标，建立优化模型，采用改进的差分进化算法求解优化模型，得到基于改进的样本数据的稀土元素组分含量预测估计值，并将其储存在稀土元素组分含量LSSVM离线软测量模型库中；

具体步骤是：

1-(1)针对每一种稀土原料，采集其近3个月的萃取过程样本数据，设样本总数为B,所述的每一个样本数据用向量表示，包括稀土元素的组分含量及其对应的料液流量、料液组分浓度、萃取剂流量和洗涤酸液流量；

1-(2)对采集到的样本的数据进行归一化处理，然后使用基于聚类的异常点检测方法，剔除含有显著误差的样本数据；

1-(3)针对去除显著误差后的样本数据集合进行稀疏化改进，基于步骤1-(2)中的分类结果，依据分类包含的样本数量的多少划分其拥挤程度，删除拥挤程度较大的分类中的一定数量的样本，得到稀疏化改进后的样本数据集合，其中包含n个样本数据；

1-(4)基于步骤1-(3)中得到的改进的n个样本数据，建立稀土元素组分含量的LSSVM离线软测量模型，在LSSVM离线软测量模型中使用RBF核函数，LSSVM的模型参数为γ和σ²，其中γ是LSSVM离线软测量模型的正规化参数，σ²是RBF核函数参数；

针对n个样本数据中的第i个样本中稀土元素组分含量的LSSVM离线软测量模型是：

其中，是第i个样本的稀土元素组分含量的预测估计值，分别代表第i个样本数据中萃取剂的流量、料液的流量、洗涤酸液的流量以及料液的组分浓度；

1-(5)将LSSVM离线软测量模型的参数γ和σ²的确定作为一个优化问题进行求解，将由LSSVM软测量模型得到的所有样本中稀土元素组分含量预测值与稀土元素组分含量的实际样本值之间的均方根误差最小作为优化目标，即：

其中，y_i为第i个样本数据中的稀土元素实际组分含量；

将LSSVM模型的正规化参数γ与RBF核函数参数σ²的取值范围作为约束条件，即

γ_min≤γ≤γ_max ②

σ² _min≤σ²≤σ² _max ③

其中γ_min和γ_max分别是γ的最小和最大值，σ² _min和σ² _max分别是σ²的最小和最大值；

1-(6)采用改进的差分进化算法求解步骤1-(5)中所建立的优化模型①-③，得到的解是由LSSVM模型的两个参数构成的向量X＝(γ,σ²)；

1-(7)LSSVM模型的正规化参数γ与RBF核函数参数σ²的取值确定后，则第i个样本的稀土元素组分含量预测估计值也随之确定，将由参数γ,σ²、样本的料液流量、萃取剂流量、洗涤酸液流量、料液组分浓度和稀土元素组分含量预测估计值构成的LSSVM离线软测量模型存储到稀土元素组分含量离线软测量模型库中，重复执行步骤1-(4)～1-(6)，直到所有种类的稀土原料的LSSVM模型建立完成；

步骤2：采集当前实际工况稀土原料的数据，从步骤1-(7)中所建立的稀土元素组分含量LSSVM离线软测量模型库中，选择与当前稀土原料成分最相近的稀土原料的LSSVM离线软测量模型作为当前稀土原料的组分含量软测量模型，并将LSSVM离线软测量模型计算出的组分含量的预测估计值，与工艺目标设定值之间偏差的平方最小化作为优化目标，建立稀土元素组分含量静态操作优化模型，采用改进差分进化算法求解静态操作优化模型，得到V_O，V_F，V_W三个控制变量的优化设定值，下发到稀土料液流量控制器、萃取剂流量控制器、洗涤酸液流量控制器执行；

具体步骤是：

2-(1)采集当前实际工况稀土原料的数据信息，从步骤1-(7)中所建立的稀土元素组分含量LSSVM离线软测量模型库中，选择与当前稀土原料成分最相近的稀土原料的LSSVM离线软测量模型作为当前稀土原料的组分含量软测量模型；

2-(2)以LSSVM离线软测量模型计算出的组分含量的预测估计值与工艺设定的稀土元素目标组分含量值之间偏差的平方最小化作为优化目标，建立稀土元素组分含量静态操作优化模型，即：

其中，为由LSSVM软测量模型计算出的组分含量的估计值，γ和σ²是步骤1-(6)中所求得的针对当前稀土原料的LSSVM模型的两个参数；y_o为工艺设定的稀土元素目标组分含量值；V_O，V_F，V_W分别是萃取剂、料液和洗涤酸液的流量，为控制变量；X_F表示料液的组分浓度，为已知量；

以各控制变量的上下限作为约束条件，即：

V_O,min≤V_O≤V_O,max ⑤

V_F,min≤V_F≤V_F,max ⑥

V_W,min≤V_W≤V_W,max ⑦

其中V_O,min，V_O,max，V_F,min，V_F,max，V_W,min，V_W,max分别为V_O，V_F，V_W的最小和最大值；

2-(3)采用如1-(6)所示的改进的差分进化算法求解模型④-⑦，在该算法中解向量由V_O，V_F，V_W三个控制变量组成，经算法求解后得到V_O，V_F，V_W三个控制变量的优化设定值，下发到稀土料液流量控制器、萃取剂流量控制器和洗涤酸液流量控制器执行；

2-(4)使用滑动时间窗方法更新软测量模型，即每当实验室完成稀土元素的离线检测之后，将该检测结果及其对应的V_O，V_F，V_W三个控制变量值和料液组分浓度作为一个新样本加入到步骤1-(3)的n个样本数据中，同时将样本数据集合中的第一个样本数据删除，再调用步骤1-(4)～1-(6)中的方法重新训练LSSVM模型，实现LSSVM模型的动态更新，保证LSSVM模型总是根据最近3个月的数据训练得到的；

步骤3：检测生产扰动，实时检测由LSSVM离线软测量模型计算出的组分含量的预测估计值与工艺设定的稀土元素目标组分含量值之间的偏差，当该偏差未超过预先设定的阈值q时，仍保持当前的控制变量值V_O，V_F，V_W不变，继续进行稀土萃取；否则，认为出现较大扰动，进行动态操作优化，确定三个控制变量的最优调整量，以保证稀土元素组分含量值达到其目标设定值；

所述的进行动态操作优化的具体步骤是：

3-(1)以调整时间T_f内稀土元素组分含量预测估计值与稀土元素目标组分含量值之间的累计偏差最小化为目标，建立稀土元素组分含量的动态操作优化模型：

其中，表示t时刻(0≤t≤T_f)稀土元素组分含量的预测值，V_O(t),V_F(t),V_W(t)分别表示t时刻(0≤t≤T_f)的萃取剂、料液和洗涤酸液流量值，并且 V_O(T_f)＝V_O(0)+ΔV_O，V_F(T_f)＝V_F(0)+ΔV_F，V_W(T_f)＝V_W(0)+ΔV_W，其中V_O(0),V_F(0),V_W(0)分别表示调整前的萃取剂、料液和洗涤酸液流量值；

采用各控制变量调整量的上下限作为模型的约束条件，具体包括：

萃取剂流量调整量ΔV_O上下限约束：ΔV_O，min≤ΔV_O≤ΔV_O，max ⑨

料液流量调整量ΔV_F上下限约束：ΔV_F，min≤ΔV_F≤ΔV_F，max ⑩

洗涤酸液流量调整量ΔV_W上下限约束：

其中，ΔV_O,min，ΔV_O,max，ΔV_F,min，ΔV_F,max，ΔV_W,min，ΔV_W,max分别为ΔV_O，ΔV_F，ΔV_W的最小和最大值；

3-(2)采用如1-(6)所述的改进的差分进化算法求解模型求得的解向量由ΔV_O，ΔV_F，ΔV_W三个控制变量组成；

3-(3)将控制变量的最优调整量下发到流量回路控制器，即稀土料液流量控制器、萃取剂流量控制器、洗涤酸液流量控制器，通过对各控制变量的流量进行M次连续并且均匀地调整，使得产品的组分含量尽快达到目标设定值；

3-(4)重复执行步骤2-(4)～3-(3)，实现稀土串级萃取生产过程的动态操作优化，直至稀土原料萃取生产过程结束。

2.根据权利要求1所述的一种基于数据驱动的稀土萃取过程动态操作控制方法，其特征在于所述的基于聚类的异常点检测方法的具体步骤是：

(1)根据样本中的稀土元素组分含量及其对应的料液流量、料液组分浓度、萃取剂流量、洗涤酸液流量，使用量子聚类算法将所有样本数据进行聚类，得到w个分类C＝{C₁,…,C_k}，w为正整数；

(2)计算所有样本向量的异常因子其中|C_i|表示分类C_i中的样本个数，表示样本到分类C_i的距离；

(3)计算所有样本异常因子的平均值avg_OF和标准差dev_OF；

(4)将该分类中满足OF(x)≥avg_OF+α×dev_OF的所有样本删除，其中α为[1,1.5]之间的数。

3.根据权利要求1所述的一种基于数据驱动的稀土萃取过程动态操作控制方法，其特征在于所述的针对去除显著误差后的样本数据集合进行稀疏化改进的具体步骤是：

(1)使用量子聚类算法将所有去除显著误差后的样本数据进行聚类，并按照各分类中样本数据的个数从大到小排序，得到l个分类C'＝{C'₁,…,C'_l}，计算各分类中样本的拥挤距离；

所述的拥挤距离定义为当前样本到第m个与其距离最近的样本之间的距离，两个样本和之间的距离定义为其中Q＝4为样本属性的总数量，x_1,j和x_2,j分别表示两个样本的第j个属性值；显然，拥挤距离的值越小说明其拥挤程度越高；

(2)针对前个分类，依次删除各分类中拥挤距离最小的样本，删除规则如下：

①如果该分类中的样本个数占总样本数据的百分比小于10％，则删除其中拥挤距离最小的前20％的样本；

②如果该分类中的样本个数占总样本数据的百分比大于10％而小于20％，则删除其中拥挤距离最小的前30％的样本；

③如果该分类中的样本个数占总样本数据的百分比大于20％而小于30％，则删除其中拥挤距离最小的前40％的样本；

④如果该分类中的样本个数占总样本数据的百分比大于30％，则删除其中拥挤距离最小的前50％的样本。

4.根据权利要求1所述的一种基于数据驱动的稀土萃取过程动态操作控制方法，其特征在于所述的采用改进的差分进化算法求解步骤1-(5)中所建立的优化模型①-③的具体步骤是：

(1)产生由N_p个解组成的初始种群：

种群由一系列随机产生的解组成，即其中每一个解都是在正规化参数γ与RBF核函数参数σ²的取值范围②-③内随机产生的；

第i个解记为X_i＝(x_1,i,x_2,i)，其中x_1,i＝γ_i表示第i个解的正规化参数，x_2,i＝σ² _i表示RBF核函数参数；并将初始种群中最好的b个解存入到精英解集合E中；

(2)初始化算法参数：

初始化各变异算子k的选择概率p_k＝1/K，其中K为变异算子的总数目，设置各变异算子成功次数与失败次数的记数器初始值s_k＝0，f_k＝0，设置当前迭代次数g＝0；在本算法中共使用四种差分进化中常用的变异算子：

DE/rand/1:

DE/best/1:

DE/rand-to-best/1:

DE/best/2:

其中，X_r1、X_r2、X_r3、X_r4是从种群中随机选取的四个不同的解，这四个解同时也不等于X_i；X_best是从精英解集合E中随机选取的一个解；V_i称为变异向量，它是由随机选取的解通过变异算子所得到的一个新解；F称为控制参数，它决定了对两个变量之差的学习程度；

(3)更新种群：

种群中每个解X_i的更新过程包括以下三个步骤：

首先，执行变异操作：将各变异算子的选择概率连成一个轮盘，即各变异算子的选择区域为[a_k-1,a_k]，k＝1,2,…,K，其中a₀＝0，a_k＝a_k-1+p_k，显然a_N＝1；再产生一个[0,1]内的随机数，根据该随机数值所属轮盘的区域号，确定使用的变异算子，假定为k；接着，根据该变异算子k的要求选择相应的解，执行变异操作得到一个新的变异向量V_i＝(v_1,i,v_2,i)；

其次，执行交叉操作，得到一个新的解U_i＝(u₁,_i,u₂,_i)，j＝1,2；其中，rand_j是[0,1]内的随机数，j_rand是[1,2]内的随机整数，C_r是交叉概率；

最后，执行选择操作：如果新解U_i的目标函数值小于X_i，则设置X_i＝U_i，以及s_k＝s_k+1；否则保持X_i不变，并设置f_k＝f_k+1；

(4)更新精英解集合E：

清空精英解集合E，然后将新种群中最好的b个解存入到精英解集合E中；

(5)更新各变异算子的选择概率：

更新各变异算子的选择概率，更新公式为：其中r_k称为变异算子k的成功率，即r_k＝s_k/(s_k+f_k)；

(6)设置g＝g+1，当g<g_max，g_max为最大迭代次数，则转到Step 3；否则，停止，输出种群中的最好解X＝(γ,σ²)。