CN113377075B - 一种稀土萃取过程实时优化的方法、装置及计算机可读存储介质 - Google Patents
一种稀土萃取过程实时优化的方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113377075B CN113377075B CN202110744355.1A CN202110744355A CN113377075B CN 113377075 B CN113377075 B CN 113377075B CN 202110744355 A CN202110744355 A CN 202110744355A CN 113377075 B CN113377075 B CN 113377075B
- Authority
- CN
- China
- Prior art keywords
- model
- extraction
- optimization
- real
- rare earth
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 183
- 238000000034 method Methods 0.000 title claims abstract description 168
- 238000005457 optimization Methods 0.000 title claims abstract description 111
- 229910052761 rare earth metal Inorganic materials 0.000 title claims abstract description 103
- 150000002910 rare earth metals Chemical class 0.000 title claims abstract description 97
- 238000003860 storage Methods 0.000 title claims abstract description 7
- 238000004519 manufacturing process Methods 0.000 claims abstract description 69
- 238000005259 measurement Methods 0.000 claims abstract description 61
- 238000012937 correction Methods 0.000 claims abstract description 32
- 238000011156 evaluation Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 239000007788 liquid Substances 0.000 claims description 62
- 238000009826 distribution Methods 0.000 claims description 58
- 238000000926 separation method Methods 0.000 claims description 43
- 239000002245 particle Substances 0.000 claims description 38
- 238000004422 calculation algorithm Methods 0.000 claims description 37
- 230000007246 mechanism Effects 0.000 claims description 35
- 238000005406 washing Methods 0.000 claims description 26
- 239000000463 material Substances 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 22
- 238000012706 support-vector machine Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 20
- 239000012071 phase Substances 0.000 claims description 19
- 239000008346 aqueous phase Substances 0.000 claims description 18
- 230000035772 mutation Effects 0.000 claims description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 12
- 238000013210 evaluation model Methods 0.000 claims description 10
- 239000012074 organic phase Substances 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 9
- 230000006978 adaptation Effects 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000000739 chaotic effect Effects 0.000 claims description 5
- 239000003960 organic solvent Substances 0.000 claims description 5
- 230000000087 stabilizing effect Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 239000003599 detergent Substances 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 3
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 2
- 150000001875 compounds Chemical class 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 230000001143 conditioned effect Effects 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 17
- 238000007689 inspection Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 32
- 230000006870 function Effects 0.000 description 10
- 238000001514 detection method Methods 0.000 description 9
- 238000005070 sampling Methods 0.000 description 9
- 239000000203 mixture Substances 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 230000000704 physical effect Effects 0.000 description 6
- 239000000243 solution Substances 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000011221 initial treatment Methods 0.000 description 4
- 239000002253 acid Substances 0.000 description 3
- 238000003556 assay Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012946 outsourcing Methods 0.000 description 3
- 238000002203 pretreatment Methods 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 238000009533 lab test Methods 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000002002 slurry Substances 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 1
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000007864 aqueous solution Substances 0.000 description 1
- 238000010936 aqueous wash Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003085 diluting agent Substances 0.000 description 1
- 230000008278 dynamic mechanism Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 239000012527 feed solution Substances 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/20—Recycling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种稀土萃取过程实时优化的方法、装置及计算机可读存储介质，所述方法对稀土萃取过程构建混合软测量模型；获取实时采集数据并进行预处理和稳态检验；将处理后的实时数据导入到混合软测量模型中，进行模型性能评估和自适应校正；以经济效益最大为目标，操作参数为决策变量，在约束条件下构建萃取过程实时优化模型；求解所述优化模型得到最优控制方案。所述方法能够实现萃取装置决策变量的优化设定，以解决生产过程中人工操作随意性大、资源消耗大等问题，确保稳定生产及满足生产指标要求的前提下，实现对萃取过程的实时优化操作，从而达到最大化提高企业的经济效益的目的。
Description
技术领域
本发明涉及稀土萃取分离过程优化控制技术领域，尤其涉及一种稀土萃取过程实时优化的方法、装置及计算机可读存储介质。
背景技术
稀土作为工业“黄金”，是当今世界发展不可或缺的重要资源。稀土萃取分离过程是是实现稀土元素分离的关键工序，其萃取效果的好坏直接决定了稀土产品质量的高低。
目前，稀土元素分布特征、矿物结构等的独特性以及相关技术还有较大提升空间。比如：大部分稀土生产企业依旧停留在依靠离线化验分析组分含量，过程参量手动调节的经验操作模式下。这样的生产状况随机性大，主观性强，生产参数的用量难以准确把握控制，必然会导致企业生产低效率、大能耗，低质量，与经济发展与节能降耗方向相背离，制约着稀土工业绿色化智能化健康发展。
因此，为了最大限度提高产量、稀土回收率以及矿产资源高效利用等经济指标，并降低企业运行成本、减少污染物排放，达到节能减排等目的，迫切需要对稀土萃取过程展开优化控制或组分控制研究。
CN110223288A公开了一种稀土萃取过程多组分含量预测方法及系统，该方法包括：首先在HSI颜色空间下寻得与组分含量相关性最大的H、S分量；然后以H、S分量一阶矩为输入，建立基于极限学习机ELM的多组分含量软测量模型；针对ELM模型的初始权值和阈值的不确定性，采用遗传算法GA对模型参数进行优化，使优化后的组分含量ELM模型精度更高，但该方法是根据实时萃取状态对其中组分的浓度进行预测，更像是一种多组分混合体系中各稀土元素含量的测试方法，无法实现稀土萃取过程中由生产参数对稀土产量或产品中稀土浓度的预测。
CN106354017A公开了一种稀土萃取分离过程组分含量区间控制方法，所述方法针对稀土萃取分离过程各流量/各组分含量过程控制特点，建立稀土萃取过程回声状态网络模型；提出广义预测控制的稀土萃取分离多组分含量的区间控制方法，实现稀土萃取分离多组分含量的区间控制。但该方法仅能实现对产品产量和产品浓度特定需求下的控制，无法实现整体萃取流程的优化和控制，即无法考虑到整体运行过程中运行成本等问题。
CN103744292A公开了一种基于数据驱动的稀土萃取过程操作控制方法，该方法通过使用最小二乘支持向量机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模型的更新方法，基于改进的LSSVM，提出了稀土串级萃取生产过程的操作优化方法，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与精确控制，进而提高稀土产品的质量，但该方法主要是确定流程发生变动时的调整量，并未涉及到以特定目标优化工艺参数的问题，且差分进化算法计算复杂。
综上所述，当前，国内外学者的研究主要集中在稀土萃取过程组分含量的软测量建模和产品质量预测控制研究，而有关系统的实时优化方法研究报告并不多见。
而且由于工业生产现场的复杂性和不确定性，当前所建立的过程软测量模型和实际生产过程常常不匹配，致使基于上述模型获得的优化方案往往不是实际生产的最优解，甚至会产生不可行的优化结果，从而无法直接应用指导实际生产。
因此，为了解决当前稀土萃取分离企业依靠人工经验操作模式所带来的生产成本高、资源浪费严重、综合竞争力差等问题，促进并提高整个行业的自动化和智能化水平，亟需寻求一种满足稀土萃取分离过程变化生产环境需求的实时优化方法。
发明内容
鉴于现有技术中存在的问题，本发明提供一种稀土萃取过程实时优化的方法、装置及计算机可读存储介质，所述方法实现了稀土萃取分离过程组分含量的在线预测与关键控制参数的实时优化设定，同时融合实时数据收集、模型评估和模型自适应校正等功能，从而有效保证稀土萃取分离生产系统的闭环实时优化运行，解决稀土萃取实际生产过程中人工操作随意性大、资源消耗大等问题，在确保稳定生产及满足生产指标要求的前提下，实现企业的经济效益最大，从而为提高整个生产流程的自动化和智能化水平提供技术支撑。
为达此目的，本发明采用以下技术方案：
第一方面，本发明提供一种稀土萃取过程实时优化的方法，所述方法包括如下步骤：
(1)建立稀土萃取分离过程的混合软测量模型；
(2)根据步骤(1)所述混合软测量模型对稀土萃取过程的实时数据进行实时预测的结果，利用评价模型对所述混合软测量模型进行评价，进行模型自适应校正和/或输出误差补偿，得到校正后模型；
(3)根据步骤(2)所述校正后模型，选取优化目标和决策变量，构建稀土萃取过程中生产参数的优化模型，并优化求解，得到实时的优化决策变量。
本发明提供的方法能够实现模型随工艺条件和参数变动的实时预测和模型的优化校正；并结合后续生产参数的优化校正模型，可有效保证稀土萃取过程中生产参数的实时优化，并且将萃取工艺的预测与优化目标结合起来，实现自动化的预测流程，为提高整体生产流程的自动化和智能化水平提供技术支撑。
优选地，步骤(1)中所述混合软测量模型的建立为离线建立。
优选地，步骤(1)所述混合软测量模型包括依据机理建模方法和支持向量机方法结合进行。
本发明针对建模方面，通过采用机理建模方法和支持向量机方法组合建模，其中机理建模方法构建机理层面的萃取模型；而机理建模中存在参数难以获得的情况，一般经验法取得的参数存在难以与实际工艺匹配或经验不足导致参数偏差较大的情况，通过支持向量机法针对机理模型中难以获得的参数进行建模，弥补机理建模的不足；本发明所述组合建模过程充分考虑过程物理特性，机理模型部分可以提高整个混合模型的推广能力，而支持向量机建模部分能够利用现场相关的数据信息，充分挖掘机理模型所无法解释的对象内部复杂规律,而省去深入分析研究相应部分模型结构及参数的麻烦，降低了整体建模的困难。
优选地，所述机理建模方法包括萃取分配平衡建模和物料平衡建模。
优选地，所述机理建模方法为机理模型建模。
本发明中基于串级萃取分离过程中的萃取分配平衡和物料平衡关系式，确定整个稀土萃取过程的平衡机理模型，从而通过萃取过程稳态的模型，对实际工业过程优化操作的指导更具应用价值，而且平衡机理模型相较于动态机理模型所需的计算量较小，能够有效减少组分预测所需的计算时间，最终实现萃取过程操作的优化。
优选地，所述支持向量机方法包括利用最小二乘支持向量回归法进行建模。
优选地，利用所述支持向量机方法对所述萃取分配平衡建模中的分配比进行建模。
本发明中各组分在两相中的分配比是不同的，且难以检测，它随被萃取组分的浓度、温度、水溶液的酸度、萃取剂的浓度以及稀释剂的性质等生产操作参数的不同而变化，由于分配比与各因素变化之间关系复杂，机理不明，尚无法建立纯粹的机理关系模型，采用支持向量机方法对所述萃取分配平衡建模中的分配比进行建模能够降低建模的难度。
本发明进一步为了能有效地克服由于建模条件简化带来的误差以及未知的外界和内部扰动的影响，采用支持向量法建立稀土串级萃取分离过程的分配比模型，降低了模型的建立难度，同时显著提高了最终混合软测量模型与实际生产工艺的贴合度。
优选地，所述最小二乘支持向量回归法包括如下步骤：依据生产数据和实验数据，构建分配比的分析数据库；依据所述分析数据库，构建基于最小二乘支持向量回归法的萃取过程分配比的数据驱动模型。
优选地，所述数据驱动模型的建立包括如下步骤：
步骤1，确定构建数据驱动模型所需的训练样本集；
步骤2，确定LSSVR模型的结构；
步骤3，基于步骤1所述的训练样本集，通过最小二乘支持向量回归法获得各级萃取段的分配比模型其中，Tj代表第j级萃取段温度、Z代表起始萃取剂浓度、PHj代表第j级料液酸度(PH)、XFi,j代表第j级料液的第i组分浓度，选取输出变量为各级萃取段的各个组分的分配系数。
优选地，所述训练样本集的构建包括依据生产数据和实验数据，构建分配比的分析数据库。
本发明通过工业现场数据采集和多组分单级萃取平衡实验获取来产生具有一定正交性和完备性的稀土萃取过程分配比关系分析数据样本，并存储到本地数据库中，得到分析数据库。
优选地，所述生产数据经稳态化预处理后再构建分配比的分析数据库。
优选地，所述数据驱动模型的输入变量包括反应温度、起始萃取剂浓度、料液pH值和料液组分浓度。
优选地，所述数据驱动模型的输出变量为各级萃取段中各个组分的分配比。
优选地，所述混合软测量模型建立之前，需要明确所述混合软测量模型建立所需的工艺参数。
优选地，所述工艺参数包括萃取产品的纯度指标、分离系数、料液组分含量、出口组分含量、萃取剂流量、料液流量、洗涤剂流量、萃取段级数或洗涤段级数中的任意一种或至少两种的组合，其中典型但非限制性的组合为萃取产品纯度指标和分离系数的组合，分离系数和料液组分含量的组合，萃取剂流量和料液流量的组合，洗涤剂流量和萃取段级数的组合等，优选包括上述所有参数的组合。
优选地，步骤(2)所述评价模型的性能评价指标包括误差变量的条件方差估计值。
优选地，所述性能评价指标的确定包括：采用高斯混合模型描述混合软测量模型的误差分布特征，并确定误差变量的条件方差估计值。
本发明进一步优选采用上述指标作为性能评价指标，更有利于提高混合软测量模型与实际运行工艺的适应度。
优选地，所述评价模型的构建包括：在训练样本集上计算获得一系列组分含量的预测值及其与实际化验值之间的误差值；选取训练样本集的输入数据和误差数据，构成模型性能评估指标的建模样本集；在所述建模样本集的基础上，采用高斯混合建模方法构建误差高斯混合模型，定义评价模型的性能评价指标为误差高斯混合模型的条件方差估计值且确定性能评价指标的统计限/>在获得训练样本的/>值后，利用各个数据点的分布情况确定相应的统计限/>使得处于统计限之外的样本个数比例为1-θ，其中θ为置信水平。
优选地，所述输入数据包括料液流量、洗涤液流量、萃取剂流量、有机相流量和料液浓度。
优选地，进行所述模型自适应校正和/或输出误差补偿的方法为滑动窗口法。
本发明在支持向量机建模过程中仍有部分参数是与实时工艺情况相关的，本发明通过滑动窗口法对混合软测量模型进行实时的模型自适应校正，所述模型自适应校正包括模型参数的校正和/或模型预测输出补偿校正，从而使混合软测量模型更贴合实际工艺运行的情况。
优选地，在所述混合软测量模型对稀土萃取过程的实时数据进行实时预测之前，所述实时数据先经稳态化预处理。
受现场检测仪表可靠性的局限，直接获取的工艺数据往往存在物料不平衡以及能量不平衡等问题，通过对现场采集的工艺数据进行预处理，能够进一步提高数据的可计算性以及准确性。因此本发明进一步先将工艺实时数据经稳态化预处理之后再代入混合软测量模型中进行预测，其中稳态化预处理包括但不限于：(1)剔除异常数据点；根据生产经验和统计数据的值域，基于3σ准则判断数据的准确性，将异常数据从数据库中剔除；(2)对于特定期间内无法采集的数据，建立冗余计算公式，通过采集其他数据来推导特点采样点；(3)将获取的数据(控制系统(DCS)上获得的数据)进行降采样，将数据处理成小时均值；(4)对相应时间段的物性数据，比如包括实验室化验数据，具体包括原料和/或料浆物性分析数据等的缺省值进行插值操作，并与控制系统的流量数据与操作数据组合；(5)依据物料平衡和能量平衡，基于最小二乘法原理校正装置进出物料的流量数据和能量计量数据。本发明所述预处理包括但并不限于上述五种方法，且并非必须将上述五种预处理方法均采用，可根据实际工艺情况和工艺数据采集情况进行调整。
本发明构建分析数据库和实时预测过程中稳态化预处理的目的相同，均可采用包括上述5种方式的方法进行。
优选地，所述稳态化预处理包括对实时数据进行初处理直至满足稳态检验为止，得到稳态实时数据。
本发明的实时优化技术基于稳态过程模型，所以只有过程处于稳态操作时才适用。为此需要对处理后的数据进行统计判定是否处于稳态操作。
优选地，所述实时数据包括萃取装置稳定运行时的进料参数、萃取段的运行参数和洗涤段的运行参数。
优选地，所述进料参数包括进料料液流量、进料料液浓度、萃取剂流量和洗涤酸液流量等。
优选地，所述萃取段运行参数包括反应温度、水相平衡pH值和平衡水相中组分浓度等。
优选地，所述洗涤段运行参数包括反应温度、水相平衡pH值和平衡水相中组分浓度等。
优选地，步骤(2)所述滑动窗口方法包括：在一个监测时间窗L，即第k个采样时刻到第k+L个采样时刻内，有L个时刻的模型性能指标均大于统计限时触发模型参数校正环节，进行混合软测量模型的参数校正。其中，k为≥1的自然数，表示单位时间窗长度；L为≥1的自然数，表示监测时间窗长度。
优选地，步骤(3)所述优化目标包括经济效益。
优选地，所述决策变量包括操作参数，优选为萃取剂流量、洗涤液流量和水相料液流量。
优选地，步骤(3)所述优化模型的约束条件包括模型等式约束和限制不等式约束。
优选地，所述模型等式约束为步骤(2)所述校正后模型。
优选地，所述限制不等式约束包括生产条件约束、产品质量约束或决策变量边界约束中的任意一种或至少两种的组合。
优选地，步骤(3)所述优化求解的算法包括改进粒子群进化算法。
优选地，所述改进粒子群进化算法包括如下步骤：
步骤a，获取决策向量搜索空间，并设定粒子群进化算法的参数；
步骤b，初始化种群；
步骤c，计算各个个体的适应度函数值，并确定各粒子的个体极值和整个粒子群的全局极值；
步骤d，更新惯性权重和加速因子；
步骤e，更新当前粒子的速度和位置；
步骤f，进行自适应变异操作，以生成新个体；
步骤g，更新个体极值和全局极值；
步骤h，判断是否满足迭代终止条件，若是，则执行步骤i，否则返回执行步骤c；
步骤i，输出整个过程的优化决策变量和优化化目标值。
优选地，所述改进粒子群进化算法的决策向量搜索空间为根据决策变量的参数调节范围，定义决策向量搜索空间。
优选地，所述改进粒子群进化算法的参数包括种群大小、最大进化代数、惯性权重和加速因子。
优选地，所述改进粒子群进化算法中计算各个个体的适应度函数值包括：将种群中每个个体作为系统变量输入萃取过程的混合软测量模型，计算系统的运行成本与约束违反程度项作为个体适应度值。
优选地，所述改进粒子群进化算法中利用混沌的遍历性搜索进行惯性权重的更新。
优选地，所述改进粒子群进化算法中加速因子采用线性递减或线性递增的更新方法。
本发明为了增强算法的全局收敛能力，减少陷入局部极值的可能性，在每次迭代过程中利用混沌的遍历性搜索来进行惯性权重的调整，即惯性权重将会随着迭代次数的增加而按照混沌模型逐渐减小。此外，加速因子采用线性递减，线性递增的策略，这样进一步加强粒子向全局最优点的收敛能力。
优选地，所述改进粒子群进化算中自适应变异操作包括：对种群中的每个个体，根据差分变异和高斯变异两种不同变异算子产生两个不同的变异向量；将两个所述变异向量所对应的适应值和当前个体的新适应值进行比较，根据贪婪原则选择适应度最优者作为下一代。
优选地，所述改进粒子群进化算中采用基于可行规则的方法进行约束条件处理，通过支配关系的判断，进行个体极值和全局极值的更新。
本发明中为了选择适应度最优个体作为下一代，同时满足所有约束条件，采用基于可行规则的方法进行约束条件处理，通过支配关系的判断，实现个体极值和全局极值的更新。
本发明中粒子群(PSO)算法是一种随机全搜索、并行计算的优化算法，具有简单、容易实现和收敛速度快等优点。但常规的PSO存在一些自身缺陷，如缺乏有效的约束处理机制，随着问题维数的增加容易陷入局部极值和收敛速度变慢等缺点。本发明在此基础上提出了以下三个方面的改进：1)将混沌变量引入到控制参数惯性权重中进行自适应调整，增强算法的全局收敛能力；2)引入自适应变异算子，增加种群的多样性，引出算法跳出局部最优；3)采用基于可行性规则的方法进行约束条件处理。
优选地，所述方法还包括步骤(4)将得到的优化决策变量输入并执行。
优选地，所述执行之前，还包括稳态再检测和可行性判断。
本发明进一步在获得最优控制参数设定方案后，首先需要再次进行稳态检测和可行性判断后，然后，再将优化决策变量下达给先进控制器(或预测控制器)进行执行，先进控制系统能平稳快速向最优设定值靠拢，从而实现稀土萃取分离过程的在线闭环实时优化，从而最大提供企业的经济效益。
作为本发明优选地技术方案，所述方法包括如下步骤：
(1)依据机理建模方法和支持向量机方法，建立稀土萃取分离过程的混合软测量模型；所述机理建模方法包括萃取分配平衡建模和物料平衡建模；所述支持向量机方法包括：利用最小二乘支持向量回归法对所述萃取分配平衡建模中的分配比进行建模；
(2)收集的稀土萃取过程的实时数据进行初处理，直至满足稳态检验为止，得到稳态实时数据；根据步骤(1)所述混合软测量模型对稳态实时数据进行实时预测的结果，利用评价模型对所述混合软测量模型进行评价，采用滑动窗口法进行模型自适应校正和/或输出误差补偿，得到校正后模型；所述性能评价指标的确定包括：采用高斯混合模型描述混合软测量模型的误差分布特征，并确定误差变量的条件方差估计值；
(3)根据步骤(2)所述校正后模型，选取经济效益作为优化目标，选取萃取剂流量、洗涤液流量和水相料液流量作为决策变量，所述优化模型的约束条件包括模型等式约束和限制不等式约束，所述模型等式约束为步骤(2)所述校正后模型，所述限制不等式约束包括生产条件约束、产品质量约束和决策变量边界约束，构建稀土萃取过程中生产参数的优化模型，并采用改进粒子群进化算法进行优化求解，得到实时的优化决策变量。
第二方面，本发明提供一种稀土萃取过程实时优化的装置，所述装置能够实现第一方面所述的稀土萃取过程实时优化的方法。
优选地，所述装置包括建立稀土萃取分离过程的混合软测量模型的建模模块；
获取萃取分离过程的实时数据的数据模块；
对建模模块建立的混合软测量模型进行评价和校正的模型评估校正模块；
构建稀土萃取过程中生产参数的优化模型，并进行优化求解的决策变量优化模块。
优选地，所述建模模块包括机理建模子模块和支持向量机建模子模块。
优选地，所述支持向量机建模子模块包括构建分配比的分析数据库的训练数据模块，以及构建基于最小二乘支持向量回归法的萃取过程分配比的数据驱动模型的数据驱动模型构建模块。
优选地，所述机理建模子模块用于建立机理模型，所述机理模型包括物料平衡模型和萃取平衡模型。
优选地，所述数据模块中还包括对实时数据进行稳态化预处理的数据处理子模块。
优选地，所述决策变量优化模块包括优化模型建立子模块和优化求解子模块。
第三方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于执行第一方面所述的稀土萃取过程实时优化的方法。
与现有技术相比，本发明至少具有以下有益效果：
(1)本发明提供的稀土萃取过程实时优化的方法解决了现有萃取过程中人工操作随意性大且资源消耗大的问题，能够在确保生产稳定且生产指标满足要求的情况下，实现经济效益的最大化；
(2)本发明提供的稀土萃取过程实时优化的方法充分利用机理和数据驱动建模的优势，构建的混合软测量模型不仅能反映稀土萃取过程真实物理特性，提升模型外推能力，而且降低了模型的复杂程度，大大提升了实时优化求解效率和稳定性。同时所述方法进一步融合实时数据处理、稳态检测、模型评估、模型自适应校正等功能，从而有效保证混合软测量模型的预测精度和自适应匹配能力；
(3)本发明提供的稀土萃取过程实时优化的装置能够实现萃取过程决策变量的自动化调整和优化，提高了现有稀土萃取过程的自动化程度，应用前景广阔。
附图说明
图1是本发明提供的稀土萃取过程实时优化的方法流程图。
图2是实施例1提供的稀土萃取过程实时优化的装置图。
图中：1-建模模块；2-数据模块；3-模型评估校正模块；4-决策变量优化模块；5-优化执行模块。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
下面对本发明进一步详细说明。但下述的实例仅仅是本发明的简易例子，并不代表或限制本发明的权利保护范围，本发明的保护范围以权利要求书为准。
本发明提供一种稀土萃取过程实时优化的方法，所述方法的流程如图1所示，具体包括如下步骤：
(1)依据机理建模方法和支持向量机方法，建立稀土萃取分离过程的混合软测量模型；所述机理建模方法包括萃取分配平衡建模和物料平衡建模；所述支持向量机方法包括：利用最小二乘支持向量回归法对所述萃取分配平衡建模中的分配比进行建模；
(2)收集的稀土萃取过程的实时数据进行初处理，直至满足稳态检验为止，得到稳态实时数据；
将稳态实时数据代入步骤(1)所述混合软测量模型，根据步骤(1)所述混合软测量模型对稳态实时数据进行实时预测的结果，利用评价模型对所述混合软测量模型进行评价，采用滑动窗口法进行模型自适应校正和/或输出误差补偿，得到校正后模型；所述性能评价指标的确定包括：采用高斯混合模型描述混合软测量模型的误差分布特征，并确定误差变量的条件方差估计值；
(3)根据步骤(2)所述校正后模型，选取经济效益作为优化目标，选取萃取剂流量、洗涤液流量和水相料液流量作为决策变量，所述优化模型的约束条件包括模型等式约束和限制不等式约束，所述模型等式约束为步骤(2)所述校正后模型，所述限制不等式约束包括生产条件约束、产品质量约束和决策变量边界约束，构建稀土萃取过程中生产参数的优化模型；
并采用改进粒子群进化算法对所述优化模型进行优化求解，得到实时的优化决策变量；
(4)将所述优化决策变量送至萃取装置控制系统执行。
一、实施例
实施例1
本实施例提供一种稀土萃取过程实时优化的装置，如图2所示，所述装置包括建立稀土萃取分离过程的混合软测量模型的建模模块1。所述建模模块1包括机理建模子模块和支持向量机建模子模块；获取萃取分离过程的实时数据的数据模块2；对建模模块1建立的混合软测量模型进行评价和校正的模型评估校正模块3；构建稀土萃取过程中生产参数的优化模型，并进行优化求解的决策变量优化模块4。所述数据模块2中还包括对实时数据进行稳态化预处理的数据处理子模块。所述决策变量优化模块4包括优化模型建立子模块和优化求解子模块。所述装置还包括将优化决策变量输入并执行的优化执行模块5。所述支持向量机建模子模块包括构建分配比的分析数据库的训练数据模块，以及构建基于最小二乘支持向量回归法的萃取过程分配比的数据驱动模型的数据驱动模型构建模块。本实施例中建模模块1可设定为在线建模或离线建模，由于所述模型评估校正模块3为在线模块，因此建模模块1优选设置为离线建模。所述建模模块1中机理建模子模块和支持向量机建模子模块能够用于构建一种融合机理和运行信息稀土萃取生产过程的混合软测量模型，而且能够在建模模块1的训练样本集中定义混合软测量模型的性能评估指标，所述机理建模子模块用于建立机理模型，所述机理模型包括物料平衡模型和萃取平衡模型。
本实施例提供的装置可执行下述优化方法，用于实际生产中能够实现稀土萃取分离生产过程中数据的获取、生产过程参数的预测以及决策变量的优化调整，能够更大程度上挖掘稀土萃取分离生产过程的经济潜能，降低生产成本，提高经济效益。
本实施例提供一种利用所述装置的稀土萃取过程实时优化的方法，所述方法包括如下步骤：
(1)依据机理建模方法和支持向量机方法，建立稀土萃取分离过程的混合软测量模型；所述机理建模方法包括萃取分配平衡建模和物料平衡建模；所述支持向量机方法包括：利用最小二乘支持向量回归法对所述萃取分配平衡建模中的分配比进行建模；
(2)收集的稀土萃取过程的实时数据进行初处理，直至满足稳态检验为止，得到稳态实时数据；根据步骤(1)所述混合软测量模型对稳态实时数据进行实时预测的结果，利用评价模型对所述混合软测量模型进行评价，采用滑动窗口法进行模型自适应校正和/或输出误差补偿，得到校正后模型；所述性能评价指标的确定包括：采用高斯混合模型描述混合软测量模型的误差分布特征，并确定误差变量的条件方差估计值；
(3)根据步骤(2)所述校正后模型，选取经济效益作为优化目标，选取萃取剂流量、洗涤液流量和水相料液流量作为决策变量，所述优化模型的约束条件包括模型等式约束和限制不等式约束，所述模型等式约束为步骤(2)所述校正后模型，所述限制不等式约束包括生产条件约束、产品质量约束和决策变量边界约束，构建稀土萃取过程中生产参数的优化模型，并采用改进粒子群进化算法进行优化求解，得到实时的优化决策变量。
具体实施流程如下：
(1)混合软测量模型的建立
1.1萃取分配平衡模型
首先明确所述混合软测量模型建立所需的工艺参数，具体包括萃取产品纯度指标、分离系数、料液组分含量、出口组分含量、萃取剂流量、料液流量、洗涤剂流量、萃取段级数和洗涤段级数。其中第j级萃取段或洗涤段的萃取平衡关系式如式(1)所示：
yi,j＝Di,j×xi,j (1)
式中，xi,j和yi,j分别表示i组分在萃取装置第j级水相和有机相中的浓度；Di,j表示i组分在第j级的分配比，其中i，j均为≥1的自然数，n为≥1的自然数，n表示总萃取段的级数。
1.2物料平衡模型
萃取段中第j级的萃取平衡物料平衡如示(2)所示：
(VF+VW)×xi,j+1+Vs×yi,j-1＝(VF+VW)×xi,j+Vs×yi,j，j＝1,2,…,n (2)
加料级n+1级的萃取平衡物料平衡关系式如示(3)所示：
VF×xF+VW×xi,n+2+Vs×yi,n＝(VF+VW)×xi,n+1+Vs×yi,n+1 (3)
洗涤段第j级的萃取平衡物料平衡关系式如示(4)所示：
VW×xi,j+1+Vs×yi,j-1＝VF×xi,j+Vs×yi,j，j＝n+2,n+3,…,n+m (4)
联立(1)～(4)可得式(5)：
式(5)中，
式中Ei,j为i组分在第j级的萃取比；VS，VF，VW分别代表有机溶剂、水相料液和水相洗涤液的流量，Di,j表示i组分在j级的分配比。
分析方程组(5)可知，在有机溶剂、水相料液和水相洗涤液的体积流量和组分，及其各级分配比Di,j已知条件下，通过方程组求解即可获得各级水相和有机相组分浓度xi,j和yi,j，从而可实现稀土串级萃取分离过程组分浓度的在线预测。
1.3分配比数据驱动模型
依据生产数据和实验数据，构建分配比的分析数据库，具体包括：通过工业现场数据采集和多组分单级萃取平衡实验获取来产生具有一定正交性和完备性的稀土萃取过程分配比关系分析数据样本，并存储到本地数据库中，得到分析数据库，作为训练样本集。然后，基于所述的训练样本集，通过最小二乘支持向量机拟合方法(LLSVR)获得各级萃取段分配比的关系模型，即可表示为式(6)：
其中，Tj代表第j级萃取装置温度；Z代表原始萃取剂的浓度；PHj代表第j级料液酸度，即pH；XFi,j代表第j级料液第i组分浓度；选取输出变量为第j级萃取装置的i组分的分配比Di,j。
式(5)和式(6)联立，构成串行的混合软测量模型。
具体地，所述数据驱动模型的构建流程包括如下步骤：
步骤1，确定构建LSSVR模型所需的训练样本集。
首先，对分析数据库的样本集进行归一化和标准化处理。然后，根据K折(本发明采用5折)交叉验证法，从分析数据库每次随机选取总样本数目的4/5作为训练集，剩余1/5作为验证集，重复5次，产生5组训练-验证数据集组合，得到数据驱动模型的训练样本集。
步骤2，确定LSSVR模型即数据驱动模型的结构。选取萃取段温度(T)、起始萃取剂浓度(Z)、料液pH值即水相平衡pH值、料液组分浓度(XFi,j，i＝1,2，…，P)即第j级平衡水相中第i组分浓度为输入变量，选取各级萃取段第i组分的分配比为输出变量，选取LSSVR模型，作为代理模型的结构。具体地，如图1所示。
步骤3，基于步骤1所述的训练样本集，通过LSSVR拟合方法获得各级萃取段的如式(6)所示的分配比模型。
(2)模型评估和校正
2.1实时数据收集和初处理
2.1.1现场数据采集：在大多数稀土萃取分离工厂都会用实时数据库记录装置的运行状况，并提供相应数据点的位号以便采集数据。本发明利用.net接口技术实现现场实时数据库史数据库与模型之间的数据通信，获得现场实时数据，并存储到本地数据库中。
需要采集的数据主要包括萃取装置稳定运行时的进料参数比如料液流量、料液中组分浓度、萃取剂流量以及洗涤酸液流量等、萃取段运行参数和洗涤段运行参数，具体为敏感监控级的运行信息，例如反应温度、水相平衡PH值、平衡水相中各组分浓度等数据。
2.1.2对现场实时采集数据进行预处理和校正。受现场检测仪表可靠性的局限，直接从DCS上获取的数据存在物料不平衡以及能量不平衡等问题，通过对现场采集的工艺数据进行预处理，进一步提高数据的可计算性以及准确性。
稳态化预处理包括但不限于：(1)剔除异常数据点；根据生产经验和统计数据的值域，基于3σ准则判断数据的准确性，将异常数据从数据库中剔除；(2)对于特定期间内无法采集的数据，建立冗余计算公式，通过采集其他数据来推导特点采样点；(3)将获取的数据(控制系统(DCS)上获得的数据)进行降采样，将数据处理成小时均值；(4)对相应时间段的物性数据，比如包括实验室化验数据，具体包括原料和/或料浆物性分析数据等的缺省值进行插值操作，并与控制系统的流量数据与操作数据组合；(5)依据物料平衡和能量平衡，基于最小二乘法原理校正装置进出物料的流量数据和能量计量数据。本发明所述预处理包括但并不限于上述五种方法，且并非必须将上述五种预处理方法均采用，可根据实际工艺情况和工艺数据采集情况进行调整。
2.1.3对预处理后的实时数据进行稳态检验。具体选取萃取装置的一些关键工艺变量的测量值，基于F检验法进行统计分析，如果其测量多次的变化量低于设定阈值，则认为统计上是稳态的，否则就认为不够执行实时优化的条件，程序转入等待循环，固定周期重新检验是否稳态。
2.2模型性能评估指标的建模样本集
2.2.1在训练样本集上计算获得一系列组分含量的预测值及其与实际化验值之间的误差值。
2.2.2再选取训练样本集的输入数据(即料液、洗涤液、萃取剂、有机相的流量与料液中组分浓度构成模型的输入变量，即U∈Rm)和误差数据(混合模型预测的组分浓度与实际化验值之间的差值，即E∈R)，构成模型性能评估指标的建模样本集。
2.2.3在所述建模样本集的基础上，采用高斯混合建模方法构建误差高斯混合模型，定义评价模型的性能评价指标为误差高斯混合模型的条件方差估计值且确定性能评价指标的统计限/>
2.2.4在获得训练样本的值后，利用各个数据点的分布情况确定相应的统计限使得处于统计限之外的样本个数比例为1-θ，其中θ为置信水平，一般设定为0.95，也可根据实际情况进行调整。
2.3混合软测量模型在线性能评估和校正
考虑到实际工业生产过程中不可测扰动以及离线测量噪声的影响，本实施例采用滑动时间窗口完成对混合模型性能在线监测和模型校正。即在一个监测时间窗L，即第k个采样时刻到第k+L个采样时刻内，有L个时刻的模型性能指标都大于统计限时才触发模型参数校正环节，进行混合模型参数校正。其中，k为≥1的自然数，表示单位时间窗长度；L为≥1的自然数，表示监测时间窗长度。具体地，主要包括如下步骤：
2.3.1计算当前采样时刻稳态工况下的模型性能评价指标。即每当实验室完成稀土元素组分含量的离线检测之后，将该检测结果与其对应的三个控制变量(料液流量、萃取剂流量以及洗涤酸液流量)和混合模型预测值作为新数据样本导入到误差高斯混合模型，计算当前模型的性能评价指标和条件均值/>
2.3.2对当前模型性能指标进行评价。如果当前模型性能指标/> 时，则监视指示变量Lindex＝Lindex+1，并且转到步骤2.3.3；
否则，当时，设置指示变量Lindex＝0，然后转到2.3.5中；
2.3.3当Lindex＜L，其中L为预先设定的模型监测时间窗长度时，转到步骤2.3.5中进行模型输出补偿；
否则；当Lindex＝L时，转步骤2.3.4进行模型参数校正。
2.3.4获取获取本监测时间窗口内的最近N组采样数据加入到步骤2.2.2的所述建模样本集中，同时将样本集中的最早N组样本数据删除；然后在更新后的建模样本集上，转到步骤2.2.3进行萃取过程分配比LLSVR模型和误差混合高斯模型的重新训练，然后给出更新后混合模型的预测值，并设置指示变量Lindex＝0；
2.3.5利用当前的条件误差均值进行模型输出补偿，实现混合模型的输出校正，即/>其中/>和/>分别代表混合预测模型校正前的预测值和校正后的预测值；然后给出校正后的混合模型最终输出，并将结果存入历史数据库，并将所述校正后模型循环进行实时预测。
(3)构建稀土串级萃取过程实时优化模型并求解。
3.1基于校正后的萃取过程混合模型，确定优化目标的目标函数、决策变量和约束条件，构建优化模型；所述优化目标包括经济效益；所述决策变量包括操作参数；
优化目标的目标函数：以稀土串级萃取生产过程经济效益最大化为优化目标，即为外售两端出口产品A、产品B的销售收入减去外购料液、萃取剂和洗涤液的原料成本，目标函数如式(7)所示：
式中，CA和CB分别是两端出口产品A和产品B的销售价格；M1分别是有机相出口和水相出口产品的产量；CF、Cs和CW分别是外购料液、萃取剂和洗涤液的价格；YS，XF，XW分别代表萃取剂、料液、洗涤液相应的组分浓度；MF、Ms和MW分别是料液、萃取剂和洗涤液的消耗量。
决策变量：萃取剂流量VS、洗涤液流量Vw和水相料液流量VF。
约束条件：约束条件包括模型等式约束和限制不等式约束。
模型等式约束即指经过校正后的萃取生产过程的混合软测量模型，具体包括物料平衡模型、萃取平衡模型和分配比数据驱动模型。
限制不等式约束包括生产工艺约束、出口产品质量约束和决策变量的边界条件。具体如下：
3.1.1生产工艺约束
根据串级萃取分离过程工艺要求，为了达到有效分离，在萃取段水相中组分B和A的浓度比必须随着级数j的增加逐渐变小，即
则当j＝n时，根据进料级物料基本假定，进料段出来的水相中B与A的浓度比与料液中B和A的浓度比相等。
式中，fA和fB分别是进料级中A和B的摩尔分数；
同样，在洗涤段中有机相中的组分A和B的浓度比随着级数的增加逐渐变大，即如式(10)所示：
当j＝n+2时，同样根据进料级物料基本假定，进料段出来的有机相中A与B的浓度与料液中A和B的浓度比相等，如式(11)所示。
3.1.2产品质量约束
稀土萃取过程生产结果需要符合生产要求，即两相出口产品的纯度需要达到最低萃取要求，否则认为生产不合格，需要重新进行萃取，如式(12)～(13)所示。
其中，表示机相出口产品A的纯度；/>和/>分别代表有相出口产品中A和B的质量流量；PB,1表示水相出口产品B的纯度；A1和B1分别代表水相出口产品中A和B的质量流量；式(12)表示有机相出口产品A的纯度/>必须大于或等于给定的产品A的纯度要求式(13)表示水相出口产品B的纯度PB,1必须大于等于给定的产品B纯度要求PB,min。
3.1.3决策变量边界约束
水相洗涤液流量要求：VW,min≤VW≤VW,max (14)
有机溶剂流量要求：VS,min≤VS≤VS,max (15)
水相料液流量要求：VF,min≤VF≤VF,max (16)
式(14)～(16)中，下标min和max分别表示最小值和最大值。
将上述优化目标、决策变量和约束条件集成在一起，就可以得到稀土萃取分离过程的实时优化模型如方程组(17)所示：
3.2求解优化模型
对式(17)所建的优化模型进行求解，本发明采用改进粒子群进化算法求解优化模型。具体地，所述优化求解的方法包括改进粒子群优化算法，具体包括如下步骤：
步骤a，根据决策变量的参数调节范围，定义决策向量搜索空间D，并设定粒子群进化算法的参数，所述参数包括种群大小、最大进化代数、惯性权重和加速因子，给出种群大小、最大进化代数、惯性权重和加速因子的初值和最值；
步骤b，在决策向量的整个搜索空间D内，随机生成N(N为种群规模)个体组成的初始化种群；
步骤c，将种群中每个个体作为系统变量输入萃取过程的混合软测量模型，计算系统的运行成本与约束违反程度项作为个体适应度值，并确定各粒子的个体极值和整个粒子群的全局极值；
步骤d，更新惯性权重和加速因子；更新公式如式(18)～式(21)所示：
γt＝u×γt-1×(1-γt-1) (2)
式中，t是迭代次数，tmax表示最大迭代次数。wf和wi分别为惯性权重w的初始值和最终值；c1,i和c1,f，c2,i和c2,f分别为学习因子c1和c2的初始值和最终值；γt代表惯性权重中的混沌变量，其在第t次迭代值可根据Logistic完全方程计算得到如式(19)所示，其中u为混沌变量γt的控制参数；
步骤e，更新当前粒子的速度和位置；
步骤f，进行自适应变异操作，以生成新个体：首先，对种群中的每个个体，根据差分变异和高斯变异两种不同变异算子产生两个不同的变异向量，表达式如下式(22)～式(23)所示。然后，将这两个变异向量所对应的适应值和当前个体的新适应值进行比较，根据贪婪原则选择适应度最优者作为下一代；
xk,m,2(t)＝xk(t)×(1+Gaussian(σ)) (23)
式中，xk表示种群中第k个粒子位置；xk,m,1和xk,m,2表示该粒子对应的两个变异向量，r1，r2，r3及r4为随机产生的互不相同的整数，它表示种群中不同个体的索引号，且与当前目标向量索引k不同；Y为[0，1]之间的均匀分布随机数函数；Gaussian(σ)能够在粒子xk的每个维度上，产生一个均值为0，方差为σ高斯分布的随机数，其中σ为相应维度的搜索空间范围；
步骤g，更新个体极值和全局极值。为了选择适应度最优个体作为下一代，同时满足所有约束条件，采用基于可行规则的方法进行约束条件处理，通过支配关系的判断，实现个体极值和全局极值的更新；
步骤h，判断是否满足迭代终止条件，若是，则执行步骤i，否则返回执行步骤c；
步骤i，输出整个过程的优化决策变量和优化化目标值。
(4)将当前获得决策变量的优化设定方案送至萃取装置控制系统执行。具体地，在获得最优控制参数设定方案后，首先需要再次进行稳态再检测和可行性判断后，再将优化结果下达给先进控制器(或预测控制器)进行执行。
本实施例提供的装置和方法用于实际生产中能够实现稀土萃取分离生产过程中数据的获取、生产过程参数的预测以及决策变量的优化调整，能够更大程度上挖掘稀土萃取分离生产过程的经济潜能，降低生产成本，提高经济效益。
实施例2
本实施例提供一种稀土萃取过程实时优化的方法，所述方法除改进粒子群算法替换为粒子群算法外，其余均与实施例1相同。
实施例2中由于采用粒子群算法，相较于实施例1而言，仍然能够实现稀土萃取分离过程中组分含量的在线预测与关键决策变量的实时优化，但存在整体算法的全局收敛能力相对较差且种群较单一的情况，具有容易陷入局部极值和收敛速度变慢等缺点。
综上所述，本发明提供的稀土萃取过程实时优化的方法实现了稀土萃取分离过程中组分含量的在线预测与关键参数的实时优化设定，进一步同时融合实时数据处理、稳态检测、模型评估和模型自适应校正等功能，从而有效保证稀土萃取分离生产系统的闭环实时优化运行，在确保稳定生产及满足生产指标要求的前提下，实现企业的经济效益最大，对提升整个流程生产运行的自动化水平具有重要实际意义。
申请人声明，本发明通过上述实施例来说明本发明的详细结构特征，但本发明并不局限于上述详细结构特征，即不意味着本发明必须依赖上述详细结构特征才能实施。所属技术领域的技术人员应该明了，对本发明的任何改进，对本发明所选用部件的等效替换以及辅助部件的增加、具体方式的选择等，均落在本发明的保护范围和公开范围之内。
Claims (26)
1.一种稀土萃取过程实时优化的方法，其特征在于，所述方法包括如下步骤：
(1)建立稀土萃取分离过程的混合软测量模型；
(2)根据步骤(1)所述混合软测量模型对稀土萃取过程的实时数据进行实时预测的结果，利用评价模型对所述混合软测量模型进行评价，进行模型自适应校正和/或输出误差补偿，得到校正后模型；
(3)根据步骤(2)所述校正后模型，选取优化目标和决策变量，构建稀土萃取过程中生产参数的优化模型，并优化求解，得到实时的优化决策变量；
其中，步骤(1)所述混合软测量模型的建立包括如下步骤：
(1.1)萃取分配平衡模型
首先明确所述混合软测量模型建立所需的工艺参数，具体包括萃取产品纯度指标、分离系数、料液组分含量、出口组分含量、萃取剂流量、料液流量、洗涤剂流量、萃取段级数和洗涤段级数；其中第j级萃取段或洗涤段的萃取平衡关系式如式(1)所示：
yi,j＝Di,j×xi,j (1)
式中，xi,j和yi,j分别表示i组分在萃取装置第j级水相和有机相中的浓度；Di,j表示i组分在第j级的分配比，其中i，j均为≥1的自然数，n为≥1的自然数，n表示总萃取段的级数；
(1.2)物料平衡模型
萃取段中第j级的萃取平衡物料平衡如式(2)所示：
(VF+VW)×xi,j+1+Vs×yi,j-1＝(VF+VW)×xi,j+Vs×yi,j，j＝1,2,…,n (2)
加料级n+1级的萃取平衡物料平衡关系式如式(3)所示：
VF×xF+VW×xi,n+2+Vs×yi,n＝(VF+VW)×xi,n+1+Vs×yi,n+1 (3)
洗涤段第j级的萃取平衡物料平衡关系式如式(4)所示：
VW×xi,j+1+Vs×yi,j-1＝VF×xi,j+Vs×yi,j，j＝n+2,n+3,…,n+m (4)
联立(1)～(4)可得式(5)：
式(5)中，
式中Ei,j为i组分在第j级的萃取比；VS，VF，VW分别代表有机溶剂、水相料液和水相洗涤液的流量，Di,j表示i组分在j级的分配比；
分析方程组(5)可知，在有机溶剂、水相料液和水相洗涤液的体积流量和组分，及其各级分配比Di,j已知条件下，通过方程组求解即可获得各级水相和有机相组分浓度xi,j和yi,j，从而可实现稀土串级萃取分离过程组分浓度的在线预测；
(1.3)分配比数据驱动模型
依据生产数据和实验数据，构建分配比的分析数据库，具体包括：通过工业现场数据采集和多组分单级萃取平衡实验获取来产生具有一定正交性和完备性的稀土萃取过程分配比关系分析数据样本，并存储到本地数据库中，得到分析数据库，作为训练样本集；然后，基于所述的训练样本集，通过最小二乘支持向量机拟合方法(LLSVR)获得各级萃取段分配比的关系模型，即可表示为式(6)：
其中，Tj代表第j级萃取装置温度；Z代表原始萃取剂的浓度；PHj代表第j级料液酸度，即pH；XFi,j代表第j级料液第i组分浓度；选取输出变量为第j级萃取装置的i组分的分配比Di,j；
式(5)和式(6)联立，构成串行的混合软测量模型。
2.根据权利要求1所述的方法，其特征在于，步骤(2)所述评价模型的性能评价指标包括误差变量的条件方差估计值。
3.根据权利要求2所述的方法，其特征在于，所述性能评价指标的确定包括：采用高斯混合模型描述混合软测量模型的误差分布特征，并确定误差变量的条件方差估计值。
4.根据权利要求1所述的方法，其特征在于，进行所述模型自适应校正和/或输出误差补偿的方法为滑动窗口法。
5.根据权利要求1所述的方法，其特征在于，在所述混合软测量模型对稀土萃取过程的实时数据进行实时预测之前，所述实时数据先经稳态化预处理。
6.根据权利要求5所述的方法，其特征在于，所述稳态化预处理包括对实时数据进行初处理直至满足稳态检验为止，得到稳态实时数据。
7.根据权利要求1所述的方法，其特征在于，步骤(3)所述优化目标包括经济效益。
8.根据权利要求1所述的方法，其特征在于，步骤(3)所述决策变量包括操作参数。
9.根据权利要求8所述的方法，其特征在于，所述操作参数为萃取剂流量、洗涤液流量和水相料液流量。
10.根据权利要求1所述的方法，其特征在于，步骤(3)所述优化模型的约束条件包括模型等式约束和限制不等式约束。
11.根据权利要求10所述的方法，其特征在于，所述模型等式约束为步骤(2)所述校正后模型。
12.根据权利要求10所述的方法，其特征在于，所述限制不等式约束包括生产条件约束、产品质量约束或决策变量边界约束中的任意一种或至少两种的组合。
13.根据权利要求1所述的方法，其特征在于，所述优化求解的算法包括改进粒子群进化算法。
14.根据权利要求13所述的方法，其特征在于，所述改进粒子群进化算法的决策向量搜索空间为根据决策变量的参数调节范围，定义决策向量搜索空间。
15.根据权利要求13所述的方法，其特征在于，所述改进粒子群进化算法的参数包括种群大小、最大进化代数、惯性权重和加速因子。
16.根据权利要求15所述的方法，其特征在于，所述改进粒子群进化算法中计算各个个体的适应度函数值包括：将种群中每个个体作为系统变量输入萃取过程的混合软测量模型，计算系统的运行成本与约束违反程度项作为个体适应度值。
17.根据权利要求15所述的方法，其特征在于，所述改进粒子群进化算法中利用混沌的遍历性搜索进行惯性权重的更新。
18.根据权利要求15所述的方法，其特征在于，所述改进粒子群进化算法中加速因子采用线性递减或线性递增的更新方法。
19.根据权利要求16所述的方法，其特征在于，所述改进粒子群进化算法中自适应变异操作包括：对种群中的每个个体，根据差分变异和高斯变异两种不同变异算子产生两个不同的变异向量；将两个所述变异向量所对应的适应值和当前个体的新适应值进行比较，根据贪婪原则选择适应度最优者作为下一代。
20.根据权利要求19所述的方法，其特征在于，所述改进粒子群进化算法中采用基于可行规则的方法进行约束条件处理，通过支配关系的判断，进行个体极值和全局极值的更新。
21.一种稀土萃取过程实时优化的装置，其特征在于，所述装置能够实现权利要求1～20任一项所述的稀土萃取过程实时优化的方法。
22.根据权利要求21所述的装置，其特征在于，所述装置包括建立稀土萃取分离过程的混合软测量模型的建模模块；
获取萃取分离过程的实时数据的数据模块；
对建模模块建立的混合软测量模型进行评价和校正的模型评估校正模块；
构建稀土萃取过程中生产参数的优化模型，并进行优化求解的决策变量优化模块。
23.根据权利要求22所述的装置，其特征在于，所述建模模块包括机理建模子模块和支持向量机建模子模块。
24.根据权利要求22所述的装置，其特征在于，所述数据模块中还包括对实时数据进行稳态化预处理的数据处理子模块。
25.根据权利要求22所述的装置，其特征在于，所述决策变量优化模块包括优化模型建立子模块和优化求解子模块。
26.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于执行权利要求1～20任一项所述的稀土萃取过程实时优化的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110744355.1A CN113377075B (zh) | 2021-07-01 | 2021-07-01 | 一种稀土萃取过程实时优化的方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110744355.1A CN113377075B (zh) | 2021-07-01 | 2021-07-01 | 一种稀土萃取过程实时优化的方法、装置及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113377075A CN113377075A (zh) | 2021-09-10 |
| CN113377075B true CN113377075B (zh) | 2024-02-09 |
Family
ID=77580441
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110744355.1A Active CN113377075B (zh) | 2021-07-01 | 2021-07-01 | 一种稀土萃取过程实时优化的方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113377075B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1687921A (zh) * | 2005-04-14 | 2005-10-26 | 东北大学 | 稀土串级萃取分离组分含量软测量方法 |
| CN101813932A (zh) * | 2009-02-03 | 2010-08-25 | 东北大学 | 湿法冶金萃取过程组分含量预测与优化操作方法 |
| CN101812589A (zh) * | 2010-04-27 | 2010-08-25 | 华东交通大学 | 基于离子特征颜色识别的稀土萃取过程控制方法 |
| CN103744292A (zh) * | 2014-01-22 | 2014-04-23 | 东北大学 | 一种基于数据驱动的稀土萃取过程动态操作控制方法 |
| CN106354017A (zh) * | 2016-11-14 | 2017-01-25 | 华东交通大学 | 一种稀土萃取分离过程组分含量区间控制方法 |
-
2021
- 2021-07-01 CN CN202110744355.1A patent/CN113377075B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1687921A (zh) * | 2005-04-14 | 2005-10-26 | 东北大学 | 稀土串级萃取分离组分含量软测量方法 |
| CN101813932A (zh) * | 2009-02-03 | 2010-08-25 | 东北大学 | 湿法冶金萃取过程组分含量预测与优化操作方法 |
| CN101812589A (zh) * | 2010-04-27 | 2010-08-25 | 华东交通大学 | 基于离子特征颜色识别的稀土萃取过程控制方法 |
| CN103744292A (zh) * | 2014-01-22 | 2014-04-23 | 东北大学 | 一种基于数据驱动的稀土萃取过程动态操作控制方法 |
| CN106354017A (zh) * | 2016-11-14 | 2017-01-25 | 华东交通大学 | 一种稀土萃取分离过程组分含量区间控制方法 |
Non-Patent Citations (4)
| Title |
|---|
| 基于LS-SVM的稀土萃取组分含量软测量;向峥嵘;刘松青;;中国稀土学报(第01期);全文 * |
| 应用软测量技术实现稀土萃取分离过程的优化控制;杨辉, 张肃宇, 李健, 柴天佑;吉林大学学报(工学版)(第03期);全文 * |
| 稀土串级萃取分离过程元素组分含量的多模型软测量;贾文君;柴天佑;;控制理论与应用(第04期);全文 * |
| 稀土串级萃取分离过程智能优化控制仿真系统;贾文君;《系 统 仿 真 学 报》;第19卷(第2期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113377075A (zh) | 2021-09-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xiong et al. | JITL based MWGPR soft sensor for multi-mode process with dual-updating strategy | |
| CN102231057B (zh) | 基于混沌粒子群优化的赖氨酸发酵过程软测量方法 | |
| CN111127246A (zh) | 一种输电线路工程造价的智能预测方法 | |
| CN111898867B (zh) | 一种基于深度神经网络的飞机总装生产线产能预测方法 | |
| Li et al. | One-shot neural architecture search for fault diagnosis using vibration signals | |
| CN112766608B (zh) | 一种基于极限学习机的水泥磨系统电耗指标预测方法 | |
| CN115271186B (zh) | 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法 | |
| CN113515893B (zh) | 一种稀土萃取过程实时预测模型的建立方法及预测方法和预测装置 | |
| CN115906626A (zh) | 一种基于人工智能的地下水有机污染互馈反演溯源方法 | |
| Cavalcanti et al. | Production system efficiency optimization using sensor data, machine learning-based simulation and genetic algorithms | |
| CN113203953B (zh) | 基于改进型极限学习机的锂电池剩余使用寿命预测方法 | |
| Li et al. | The use of nonlinear dynamic system and deep learning in production condition monitoring and product quality prediction | |
| Duarte et al. | Combined mechanistic and empirical modelling | |
| CN113377075B (zh) | 一种稀土萃取过程实时优化的方法、装置及计算机可读存储介质 | |
| CN113051806A (zh) | 一种基于aqpso-rbf神经网络的水质bod测量方法 | |
| Xu et al. | Non-conservative design of robust tracking controllers based on input-output data | |
| Wang et al. | Efficient quality variable prediction of industrial process via fuzzy neural network with lightweight structure | |
| Byun et al. | Robust dual control of batch processes with parametric uncertainty using proximal policy optimization | |
| CN113111588B (zh) | 一种燃气轮机nox排放浓度预测方法及装置 | |
| Katz et al. | A partial multiparametric optimization strategy to improve the computational performance of model predictive control | |
| Echevarrieta et al. | Speeding-up Evolutionary Algorithms to Solve Black-Box Optimization Problems | |
| Wierstra et al. | Policy gradient critics | |
| CN111650894A (zh) | 一种基于隐变量的贝叶斯网络复杂工业过程软测量方法 | |
| Byun et al. | Robust adaptive control with active learning for fed-batch process based on approximate dynamic programming | |
| CN109554439A (zh) | 一种基于online-rlssvm的毕赤酵母发酵过程软测量方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |