CN113515893A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113515893A CN113515893A CN202110745862.7A CN202110745862A CN113515893A CN 113515893 A CN113515893 A CN 113515893A CN 202110745862 A CN202110745862 A CN 202110745862A CN 113515893 A CN113515893 A CN 113515893A
- Authority
- CN
- China
- Prior art keywords
- model
- real
- data
- prediction
- 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.)
- Granted
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 160
- 238000000034 method Methods 0.000 title claims abstract description 139
- 229910052761 rare earth metal Inorganic materials 0.000 title claims abstract description 90
- 150000002910 rare earth metals Chemical class 0.000 title claims abstract description 87
- 238000005259 measurement Methods 0.000 claims abstract description 55
- 230000007246 mechanism Effects 0.000 claims abstract description 43
- 238000012937 correction Methods 0.000 claims abstract description 42
- 238000011156 evaluation Methods 0.000 claims abstract description 34
- 238000000926 separation method Methods 0.000 claims abstract description 34
- 238000004519 manufacturing process Methods 0.000 claims abstract description 31
- 238000012706 support-vector machine Methods 0.000 claims abstract description 22
- 238000009826 distribution Methods 0.000 claims description 56
- 239000000463 material Substances 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 18
- 238000013210 evaluation model Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 239000012527 feed solution Substances 0.000 claims description 4
- 230000000087 stabilizing effect Effects 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 3
- 230000006641 stabilisation Effects 0.000 claims description 3
- 238000011105 stabilization Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 7
- 238000005094 computer simulation Methods 0.000 abstract description 5
- 230000002349 favourable effect Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 33
- 239000007788 liquid Substances 0.000 description 32
- 230000008278 dynamic mechanism Effects 0.000 description 16
- 238000012544 monitoring process Methods 0.000 description 13
- 238000005406 washing Methods 0.000 description 12
- 238000005070 sampling Methods 0.000 description 11
- 239000000203 mixture Substances 0.000 description 10
- 239000012071 phase Substances 0.000 description 10
- 239000000047 product Substances 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 7
- 239000012074 organic phase Substances 0.000 description 7
- 230000000704 physical effect Effects 0.000 description 7
- 239000008346 aqueous phase Substances 0.000 description 6
- 238000009776 industrial production Methods 0.000 description 6
- 239000003795 chemical substances by application Substances 0.000 description 5
- 238000002156 mixing Methods 0.000 description 5
- JLYXXMFPNIAWKQ-UHFFFAOYSA-N γ Benzene hexachloride Chemical compound ClC1C(Cl)C(Cl)C(Cl)C(Cl)C1Cl JLYXXMFPNIAWKQ-UHFFFAOYSA-N 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 239000003960 organic solvent Substances 0.000 description 3
- 238000002203 pretreatment Methods 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000002253 acid Substances 0.000 description 2
- 239000007864 aqueous solution Substances 0.000 description 2
- 238000003556 assay Methods 0.000 description 2
- 239000003599 detergent Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000009533 lab test Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 239000002002 slurry Substances 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000003085 diluting agent Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000007791 liquid phase Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- C—CHEMISTRY; METALLURGY
- C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
- C22B—PRODUCTION AND REFINING OF METALS; PRETREATMENT OF RAW MATERIALS
- C22B59/00—Obtaining rare earth metals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Geology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Materials Engineering (AREA)
- Mechanical Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供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，所述建立方法包括：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；所述建立方法构建融合稀土萃取过程机理与运行信息的混合软测量模型，降低了模型建立的难度并更有利于对实际生产工艺的预测；所述混合软测量模型进行对稀土串级萃取分离过程进行实时预测时，能够进一步根据模型性能评估指标和校正策略进行模型校正。本发明实现了对稀土串级萃取分离过程的动态模拟和实时预测，为实现生产过程在线优化与控制提供了模型基础。
Description
技术领域
本发明涉及稀土萃取预测技术领域，尤其涉及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。
背景技术
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。由于稀土元素间的化学性质相似，互间分离 系数小，分离困难，串级萃取分离是获得单一稀土的有效手段。为此，现有稀 土行业普遍采用由多级混合澄清槽构成的串级萃取分离流程。但该生产工业过 程作为一个非常典型的复杂工业过程，有着多变量、强耦合、大滞后、非线性 及时变等特征，而且受到诸多因素比如原材料及辅助材料等的影响，因此难以 对其进行建模与控制。
目前，大部分稀土生产企业依旧停留在“定时采样、离线实验室化验、人工 经验控制”的状态。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，必然会导致企业在生产过程中生产成本的增加，资源的浪费， 更重要的是产品质量难以得到保证。
因此，针对稀土萃取过程的建模与自动控制，提出能实时预测萃取生产过 程并优化调节工艺参数，对促进我国稀土工业减少生产成本以及提升资源利用 率、降低环境污染、智能化升级具有十分重大的意义。
当前，国内外研究学者对于稀土萃取过程建模进行了许多开拓性工作，并 取得了较大的成果。其中最典型的就是串级萃取理论，以及结合计算技术提出 的“分液漏斗”动态仿真模型。在此基础上，有学者提出串级萃取平衡计算模型， 用于计算萃取平衡下各级组分含量，但模型难以反映萃取过程的动态变化特性 本身结构复杂。为了描述萃取动态变化特性，有学者提出多模型软测量方法， 即以物料平衡为基础，在多个工作点建立简化局部线性模型，但模型数据较多， 计算量大，不适合在线预测。
因此，单独仅依靠机理模型或现有软测量方法对萃取过程建模，不能满足 当今稀土萃取过程在线预测与优化控制的模型需求，需要建立一个与实际工艺 相符合、计算量小、能准确描述整个工艺流程的预测模型，实时在线获得稀土 萃取过程的各级组分含量、产物物性等关键性能指标，为实际工业生产提供重 要指导意见。
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预测模型 的建立方法及预测方法和预测装置，所述建立方法融合机理模型和运行信息对 稀土串级萃取分离过程进行混合建模，实现了稀土串级萃取分离过程的全流程 动态模拟，正确预测了各级萃取段各组分浓度随时间的变化情况，从而为实现 生产过程在线优化与控制提供模型基础。
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预测模型的建立方法，所述 建立方法包括：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。
本发明提供的建立方法即充分考虑过程物理特性保留模型的泛化性能，又 深度挖掘现场相关的数据信息降低了模型整体的复杂度，满足了实时在线计算 的需求，实现了对稀土串级萃取分离全过程的动态模拟和实时预测。具体地， 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机理建模和物料机理建模。
本发明基于串级萃取分离过程中的物料机理关系式和萃取机理关系式，建 立整个稀土萃取过程的动态机理模型，能够更好地对萃取过程中的组分进行实 时预测。
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。
本发明进一步优选最小二乘支持向量回归法进行建模，能够实时对模型中 的参数进行调整和优化。
优选地，利用所述支持向量机方法对所述萃取分配动态建模中的分配比进 行建模。
现有研究表明，分配比通常很难确定，在稀土萃取过程中被萃取组分的浓 度、温度、水溶液的酸度、萃取剂的浓度、稀释剂的性质等生产操作参数都会 对其产生较大的影响。然而由于分配比与各因素变化之间关系复杂机理不明， 尚无法建立明确的机理关系模型。通常是在一定的假设条件下通过对实验数据 进行回归分析而获到的经验或半经验模型。由于萃取过程机制复杂，各组分之 间的分配互相影响，在假定条件不满足或过程特性发生较大变化时，经验模型 与实际过程的输出必然会存在着较大的误差。
本发明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，所述生产数据经稳态化预处理后再构建分配比的分析数据库。
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守恒 以及能量不守恒等问题，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。
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。
本发明的模型基于稳态过程模型，所以生产过程处于稳态操作时适用性更 强。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pH值和水相中组分浓度 等。
优选地，所述洗涤段运行参数包括反应温度、水相pH值和水相中组分浓度 等。
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。
作为本发明优选地技术方案，所述建立方法包括如下步骤：
(Ⅰ)明确所述混合软测量模型建立所需的工艺参数；
(Ⅱ)基于串级萃取分离过程中的物料动态机理和萃取动态机理，建立稀土 萃取过程的动态机理模型；
(Ⅲ)依据生产数据和实验数据，构建分配比的分析数据库；
(Ⅳ)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。
第二方面，本发明提供一种稀土萃取过程实时的预测方法，所述预测方法 采用第一方面所述的稀土萃取过程实时预测模型的建立方法建立的模型进行预 测。
本发明通过第一方面的混合软测量模型对稀土萃取过程进行实时预测，可 有效实现稀土萃取的在线预测，对于生产指导具有重要意义。
优选地，所述预测方法包括：
(1)利用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；
(2)根据所述实时预测的结果，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；
(3)将步骤(2)中所述校正后模型循环至步骤(1)中进行实时预测。
本发明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时， 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。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模型，可有效保 证稀土萃取过程中生产参数的实时优化，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，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。
优选地，所述评价模型的构建包括：在所述的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残差混合高斯模型，定义评价模型的性能 评价指标为残差混合高斯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，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。
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。
优选地，所述预测方法中待预测参数包括各组分的浓度。
优选地，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个时刻的性能评价指标均大于统计限
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。
作为本发明优选地技术方案，所述预测方法包括如下步骤：
(1’)构建评价模型：在所述的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 混合建模方法构建残差混合高斯模型，定义评价模型的性能评价指标为残差混 合高斯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
(2’)利用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；
(3’)根据所述实时预测的结果，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；具体如下：
3.1计算当前采样时刻稳态工况下的模型性能评价指标
和条件均值 
3.2如果当前性能评价指标
时，则监视指示变量Lindex＝Lindex+1，并 且转到步骤3.3；
否则，当
时，设置指示变量Lindex＝0，然后转到3.5中；
3.3当Lindex＜L，其中L为预先设定的模型监测时间窗长度，转到步骤3.5中 进行模型输出补偿；
否则；当Lindex＝L时，转步骤3.4进行模型参数校正；
3.4获取本监测时间窗口内的最近的N组采样数据加入到所述建模样本集 中，同时将样本集中的最早的N组样本数据删除；然后在更新后的建模样本集 上，进行萃取过程分配比LLSVR模型和残差混合高斯模型的重新训练，然后给 出校正后模型的预测值，并设置指示变量Lindex＝0；
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；然后给出校正后模型进行最终输 出，并将结果存入历史数据库；
(4’)将步骤(3’)中所述校正后模型循环至步骤(2’)中进行实时预测。
第三方面，本发明提供一种稀土萃取过程实时的预测装置，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。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；所述预测装置能够运行第一方面所述的 稀土萃取过程实时的预测方法。
本发明所述实时的预测装置能够针对萃取过程的实时运行数据对关键结果 进行预测，而且可以根据实时的运行信息对混合软测量模型进行校正，从而时 预测结果更准确。
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 动态机理模型和萃取动态机理模型。
优选地，所述预测装置还包括获取萃取分离过程的实时数据的数据模块。
优选地，所述预测装置还包括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。
本发明进一步优选含有评估校正模块，从而使所述混合软测量模型进行在 线校正和学习，用于根据运行一段时间积累的大量样本数据库确定当前模型性 能统计限，并对混合软测量模型的性能进行在线监测与评价，通过比较新样本 的模型指标值与统计限的关系，根据不同的情况进行相应的模型的输出偏差校 正或数据驱动模型参数校正，实现模型输出在线校正或不定期对模型参数更新。
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，所述预测装置还包括根据数据模块提供的进料信息和操作运行信 息，利用模型评估校正模块校正后的模型进行计算预测的实时预测模块。
本发明所述装置中运行的流程包括：按照进料信息送入稀土萃取装置中进 行稀土萃取，并将进料信息和稀土萃取得到的实时数据反馈至建模模块中，利 用混合软测量模型进行预测，并输出预测信息，所述预测信息与实时数据进行 分析后记录数据模块中，并利用所述数据模块中的大数据，通过模型校正模块 的模型评估模型进行评估和校正，并将模型校正信息反馈至支持向量机建模子 模块中进行模型校正，实现混合软测量模型的校正。其中在建模模块中，利用 支持向量机建模子模块构建的分配比数据驱动模型，得到分配比，将其反馈至 机理建模子模块中进行机理建模。
第四方面，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二方面所述的 稀土萃取过程实时的预测方法。
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预测模型的建立方法能够针对复杂的 串级稀土萃取过程建立混合软测量模型，相较于传统纯机理模型而言，建模更 容易，计算量下降，相较于传统数据驱动模型而言，能够以少量数据库样本构 建合适的混合软测量模型，存在预测精度高、推广能力强的优势；
(2)本发明提供的稀土萃取过程实时的预测方法不仅结合机理模型和数据 驱动模型进行预测，而且设计了评价模型，能够在线实时的根据生产运行情况 对混合软测量模型进行评估和校正，显著提高了预测的准确度；
(3)本发明提供的稀土萃取过程实时的预测装置能够实时在线获得稀土萃 取过程的各级组分含量、产物物性等关键性能指标，为实际工业生产提供重要 指导意见。
附图说明
图1是本发明提供的稀土萃取过程实时的预测方法流程图。
图2是本发明提供的稀土萃取过程实时预测流程图。
图3是本发明实施例1提供的分配比的最小二乘支持向量回归(LSSVR) 代理模型结构图。
图4是本发明实施例3提供的种稀土萃取过程实时的预测装置及流程示意 图。
图中：1-建模模块；11-机理建模子模块；12-支持向量机建模子模块；2-稀 土萃取装置；3-数据模块；4-模型评估校正模块。
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的预测方法，所述预测方法包括模型建 立的全流程图如图1所示，具体地，所述预测方法包括如下步骤：
明确所述混合软测量模型建立所需的工艺参数；
基于串级萃取分离过程中的物料动态机理关系式和萃取动态机理关系式， 建立稀土萃取过程的动态机理模型；
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；
构建评价模型；
利用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；
根据所述实时预测的结果，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；
所述校正后模型循环进行实时预测。
实施例1
本实施例提供一种稀土萃取过程实时预测模型的建立方法，所述建立方法 包括：
(Ⅰ)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。
(Ⅱ)基于串级萃取分离过程中的物料动态机理关系式和萃取动态机理关系 式，建立整个稀土萃取过程的动态机理模型，具体如下：
a.物料动态机理建模
第j级萃取段的瞬时物料平衡，j＝1,2,…,n：
第n+1级进料级的瞬时物料平衡关系式，j＝n+1：
第j级洗涤段的瞬时萃取平衡物料平衡关系式，j＝n+2,n+3,…,n+m：
式中
和
表示滞留在第j级萃取槽体内水相和有机相的体积，在动态状态 时可视为常数，本实施例中可通过有机储罐的液位以及流比等进行估算；Vs，VF和VW分别代表有机溶剂、水相料液和水相洗涤液的流量；xi,j和yi,j分别表示i组 分在第j级槽体内的水相和有机相中的浓度；yi,0，xi,n+m+1为已知量，即分别为有 机溶剂和水相洗涤液中i组分浓度；τj+1表示从第j-1级混合室流出的水相溶液，在 进入第j级混合室之前需要在澄清室的滞留时间；τj-1表示从第j+1级混合室流出的 有机相溶液，在进入第j级混合室之前也需要滞留的时间。
b.萃取分配动态机理建模
第j级萃取段或洗涤段的萃取平衡关系式：
yi,j(t)＝Di,j×xi,j(t) (4)
式中，Di,j表示i组分在j级中水相和有机相的浓度之比，即分配比。
假设各级萃取段中流体的滞后停留时间相等，即τ1＝τ2＝…＝τm+n＝τ，并令
则上式(1)～(4)可得第j级槽体的第i组分的动态平衡方程 为：
其中：当j＝1，n+m时，xi,0(t-τ)＝xi,0，xi,n+m(t-τ)＝xi,n+m+1；当j＝n+1时， (VF+VW)×xi,j+1(t-τ)＝VF×xi,F(t)+VW×xi,j+1(t-τ)；当j>n时，VF＝0。
利用导数的一阶近似：
并令τ＝d×T，对公式(5) 进行离散化处理，得到如下离散动态机理模型：
分析上述方程组可知，在有机溶剂、水相料液和水相洗涤液的流量和组分， 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。
(Ⅲ)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。
所述生产数据或实验数据，具体包括进料液组分浓度、起始萃取剂浓度、 萃取段温度、料液pH值、料液组分浓度以及各组分在两相中的分配系数。
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。
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。本实施例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。
(Ⅳ)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。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；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。具体如下：
步骤1，确定构建LSSVR模型所需的训练样本集。
首先，对步骤(Ⅲ)中得到的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，选取各级萃取槽内第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 段的分配比模型，即可表示为如式(7)所示：
其中，Tj代表第j级萃取槽温度、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。
式(1)～(7)联立即为所述混合软测量模型。
本实施例提供的模型建立方法针对稀土串级萃取分离过程机理中己知的确 定部分(物料动态平衡)采用机理建模方法，而针对模型中的未知部分(萃取 分配比影响规律)采用最小二乘支持向量回归(LSSVR)建模方法，该混合建 模方法即充分考虑过程物理特性保留模型的泛化性能，又深度挖掘现场相关的 数据信息降低了模型整体的复杂度。
实施例2
本实施例提供一种稀土萃取过程实时的预测方法，所述预测方法采用实施 例1中建立的混合软测量模型进行预测，具体流程图如图2所示，具体包括如 下步骤：
(1’)评价模型的构建：
1.1在实施例1中步骤1所述的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。
1.2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。
1.3在所述建模样本集的基础上，采用高斯混合建模方法构建残差混合高斯 模型，定义评价模型的性能评价指标为残差混合高斯模型的条件方差估计值
且确定性能评价指标的统计限
1.4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’)利用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；
(3’)根据所述实时预测的结果，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；
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个时刻的性能评价指 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，如图2所示，主要包括如下步骤：
3.1计算当前采样时刻稳态工况下的模型性能评价指标。即通过实时数据采 集与稳态预处理，并根据数据样本进料数据和操作信息，计算混合软测量模型 的预测值；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残差混合高斯模型，计算当前模型的性能评 价指标
和条件均值
3.2如果当前性能评价指标
时，则监视指示变量Lindex＝Lindex+1，并 且转到步骤3.3；
否则，当
时，设置指示变量Lindex＝0，然后转到3.5中进行模型输出 补偿；
3.3当Lindex＜L，其中L为预先设定的模型监测时间窗长度，转到步骤3.5中 进行模型输出补偿；
否则；当Lindex≥L时，转步骤3.4进行模型参数校正。
3.4获取本监测时间窗口内的最近的N组采样数据加入到步骤1.2的所述建 模样本集中，同时将样本集中的最早的N组样本数据删除；然后在更新后的建 模样本集上，进行实施例1中步骤3进行萃取过程分配比LLSVR模型，然后并 转到步骤1.1进行残差混合高斯模型的重新训练，然后给出校正后模型的预测 值，并设置指示变量Lindex＝0；并且转步骤3.6。
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；然后给出校正后模型进行最终输出 并且转步骤3.6。
3.6将当前数据样本和校正后混合模型的预测值存入历史数据库；
(4’)将步骤(3’)中所述校正后模型循环至步骤(2’)中进行实时预测。
实施例2提供的实时预测方法实现了对稀土串级萃取分离全过程的动态模 拟；在此基础上提出基于混合高斯模型的性能评价指标和在线校正策略，实现 混合模型的在线智能校正，克服离线混合模型由于受控对象和现场环境的变化 以及离线模型本身精度有限而不可避免造成预测误差的难题，进一步大大提升 了模型在线预测性能和实用性。
而且本实施例为了确保混合软测量模型能更加准确描述实际工况和预测未 来变化，提出一种从离线建模到在线学习的模型校正策略。即采用混合高斯模 型构造混合软测量模型的性能评价指标，并利用性能评价指标的统计限对模型 性能进行时间窗口监测与评价，通过比较新样本的模型指标值与统计限的关系， 根据不同的情况进行相应的模型的输出偏差校正或数据驱动模型参数校正，实 现了混合模型的在线智能校正。
本实施例能够根据稀土串级萃取系统的进料信息和操作运行信息，实时准 确预测各级萃取段和最终产品组分的浓度，对指导实际工业生产具有重要意义， 进一步可为稀土串级萃取分离过程的在线优化与控制奠定模型基础。
实施例3
本发明提供一种稀土萃取过程实时的预测装置，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11和支持向量机建模子模块12。所述支持向量机建模子模块12包括构建分 配比的分析数据库的训练数据模块3，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。
所述机理建模子模块11用于建立机理模型，所述机理模型包括物料动态平 衡模型和萃取动态平衡模型。所述预测装置还包括获取萃取分离过程的实时数 据的数据模块3。所述预测装置还包括对建模模块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4。所述数据模块3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。所述预测装置还包括根据数据模块3提供的进 料信息和操作运行信息，利用模型评估校正模块4校正后的模型进行计算预测 的实时预测模块。
本实施例所述装置能够运行实施例2中提供的稀土萃取过程实时的预测方 法，在所述装置中运行的流程包括：按照进料信息送入稀土萃取装置2中进行 稀土萃取，并将进料信息和稀土萃取得到的实时数据反馈至建模模块1中，利 用混合软测量模型进行预测，并输出预测信息，所述预测信息与实时数据进行 分析后记录数据模块3中，并利用所述数据模块3中的大数据，通过模型校正 模块的模型评估模型进行评估和校正，并将模型校正信息反馈至支持向量机建 模子模块12中进行模型校正，实现混合软测量模型的校正。其中在建模模块1 中，利用支持向量机建模子模块12构建的分配比数据驱动模型，得到分配比，将其反馈至机理建模子模块11中进行机理建模。
本实施例提供的装置能够在线实时的根据生产运行情况对混合软测量模型 进行评估和校正，实时在线获得稀土萃取过程的各级组分含量、产物物性等关 键性能指标，为工业生产提供指导。
综上所述，本发明提供的稀土萃取过程实时预测模型的建立方法通过融合 稀土串级萃取过程的机理和实际运行信息，建立了一个能够在线计算各萃取段 分配比、组分浓度和产品浓度等关键性能的混合软测量模型，所述混合软测量 模型能准确预测各萃取段内部反应变化趋势。
更进一步，本发明提供的稀土萃取过程实时的预测方法和预测装置建立了 一种从离线建模到在线模型性能评估检测和在线校正策略，实现了混合软测量 模型的在线校正和不定期智能更新，进一步大大提升了模型在线预测性能和实 用性。本发明提供的稀土萃取过程实时的预测方法和预测装置可根据萃取系统 的进料信息和操作运行信息，实时准确预测各级萃取段和最终产品组分浓度变 化情况，对指导实际工业生产具有重要意义，进一步可为稀土萃取分离过程的 在线优化与控制奠定模型基础。
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 (10)
1.一种稀土萃取过程实时预测模型的建立方法，其特征在于，所述建立方法包括：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。
2.根据权利要求1所述的建立方法，其特征在于，所述机理建模方法包括萃取分配机理建模和物料机理建模；
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机理建模中的分配比进行建模；
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。
3.一种稀土萃取过程实时的预测方法，其特征在于，所述预测方法采用权利要求1或2所述的稀土萃取过程实时预测模型的建立方法建立的模型进行预测。
4.根据权利要求3所述的预测方法，其特征在于，所述预测方法包括：
(1)利用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；
(2)根据所述实时预测的结果，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；
(3)将步骤(2)中所述校正后模型循环至步骤(1)中进行实时预测。
5.根据权利要求4所述的预测方法，其特征在于，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。
6.根据权利要求4或5所述的预测方法，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；
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。
7.根据权利要求4～6任一项所述的预测方法，其特征在于，所述预测方法中待预测参数包括各组分的浓度。
8.一种稀土萃取过程实时的预测装置，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；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；
所述预测装置能够运行权利要求3～7任一项所述的稀土萃取过程实时的预测方法。
9.根据权利要求8所述的预测装置，其特征在于，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，所述预测装置还包括获取萃取分离过程的实时数据的数据模块；
优选地，所述预测装置还包括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；
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。
10.一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3～7任一项所述的稀土萃取过程实时的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110745862.7A CN113515893B (zh) | 2021-07-01 | 2021-07-01 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110745862.7A CN113515893B (zh) | 2021-07-01 | 2021-07-01 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113515893A true CN113515893A (zh) | 2021-10-19 |
| CN113515893B CN113515893B (zh) | 2024-05-17 |
Family
ID=78066373
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110745862.7A Active CN113515893B (zh) | 2021-07-01 | 2021-07-01 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113515893B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115062425A (zh) * | 2022-06-06 | 2022-09-16 | 华电电力科学研究院有限公司 | 一种应用于燃气轮机组的故障预警方法、系统和装置 |
| CN117077576A (zh) * | 2023-10-16 | 2023-11-17 | 中国核电工程有限公司 | 混合澄清槽工艺过程仿真方法、装置、验证方法和系统 |
Citations (6)
| 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 |
| CN101748186A (zh) * | 2009-12-29 | 2010-06-23 | 江苏大学 | 基于模糊支持向量机的赖氨酸发酵过程关键状态变量软测量方法及系统 |
| 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 |
| CN102183621A (zh) * | 2011-02-28 | 2011-09-14 | 中国农业大学 | 水产养殖溶解氧浓度在线预测方法及系统 |
| 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 |
| US20200394494A1 (en) * | 2019-06-17 | 2020-12-17 | East China Jiaotong University | Method And System For Predicting Content Of Multiple Components In Rare Earth Extraction Process |
-
2021
- 2021-07-01 CN CN202110745862.7A patent/CN113515893B/zh active Active
Patent Citations (6)
| 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 |
| CN101748186A (zh) * | 2009-12-29 | 2010-06-23 | 江苏大学 | 基于模糊支持向量机的赖氨酸发酵过程关键状态变量软测量方法及系统 |
| CN102183621A (zh) * | 2011-02-28 | 2011-09-14 | 中国农业大学 | 水产养殖溶解氧浓度在线预测方法及系统 |
| 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 |
| US20200394494A1 (en) * | 2019-06-17 | 2020-12-17 | East China Jiaotong University | Method And System For Predicting Content Of Multiple Components In Rare Earth Extraction Process |
Non-Patent Citations (6)
| Title |
|---|
| 刘苏苏;孙立民;: "支持向量机与RBF神经网络回归性能比较研究", 计算机工程与设计 * |
| 李超: "《湿法冶金铜萃取过程混合建模及模型校正》", 东北大学硕士学位论文, pages 23 - 25 * |
| 杨辉, 谭明皓, 柴天佑: "基于神经网络的多元稀土萃取组分含量的软测量", 中国稀土学报, no. 04, pages 21 * |
| 贾文君;柴天佑;: "稀土串级萃取分离过程的双线性模型及其参数辨识", 控制理论与应用, no. 05 * |
| 贾润达;毛志忠;常玉清;: "湿法冶金萃取组分含量混合建模方法的研究", 仪器仪表学报, no. 02 * |
| 陆荣秀;: "基于支持向量机的稀土萃取过程建模方法", 华东交通大学学报, no. 01 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115062425A (zh) * | 2022-06-06 | 2022-09-16 | 华电电力科学研究院有限公司 | 一种应用于燃气轮机组的故障预警方法、系统和装置 |
| CN115062425B (zh) * | 2022-06-06 | 2023-08-18 | 华电电力科学研究院有限公司 | 一种应用于燃气轮机组的故障预警方法、系统和装置 |
| CN117077576A (zh) * | 2023-10-16 | 2023-11-17 | 中国核电工程有限公司 | 混合澄清槽工艺过程仿真方法、装置、验证方法和系统 |
| CN117077576B (zh) * | 2023-10-16 | 2024-02-13 | 中国核电工程有限公司 | 混合澄清槽工艺过程仿真方法、装置、验证方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113515893B (zh) | 2024-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR940005029B1 (ko) | 프로세스 운전지원방법 및 시스템 | |
| Xiong et al. | JITL based MWGPR soft sensor for multi-mode process with dual-updating strategy | |
| CN113515893A (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 | |
| CN111650834B (zh) | 基于极限学习机的污水处理过程预测控制方法 | |
| CN110866659B (zh) | 一种拜耳法氧化铝生产高压管道溶出过程中苛性比值在线预测方法 | |
| CN106227042A (zh) | 基于模糊神经网络的溶解氧控制方法 | |
| WO2022171788A1 (de) | Vorhersagemodell zum vorhersagen von produktqualitätsparameterwerten | |
| CN113539382B (zh) | 一种亚磷酸二甲酯关键工艺参数的预警定位方法及系统 | |
| 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 | |
| Zhou et al. | Anode effect prediction of aluminum electrolysis using GRNN | |
| CN114330089B (zh) | 一种稀土元素含量变化预测方法及系统 | |
| CN113065242A (zh) | 一种基于kplsr模型的污水处理出水总氮浓度软测量方法 | |
| Sánchez et al. | Design and implementation of a Real-Time control platform for the testing of advanced control systems and data quality management in the wastewater industry | |
| Flores-Mejia et al. | Indirect Monitoring of Anaerobic Digestion for Cheese Whey Treatment. Processes 2021, 9, 539 | |
| Wärff | Operational digital twins for water resource recovery facilities–Rationale, components, and case studies | |
| Juuso | Intelligent dynamic simulation of a fed-batch enzyme fermentation process | |
| Fan et al. | Dynamic KPCA for Feature Extraction of Wastewater Treatment Process | |
| CN117012307A (zh) | 基于XGBoost在线监测数据驱动的废水处理多输出软测量方法 | |
| Arzac et al. | Industrial Data Science for Batch Reactor Monitoring and Fault Detection | |
| Selisteanu et al. | Some on adaptive control of a wastewater biodegradation process | |
| Zhang et al. | Multi-way optimal control of a benchmark fed-batch fermentation process | |
| Li et al. | MPC-PID Based Flotation Dosing Control Method for Coal Preparation Plant | |
| CN116864028A (zh) | 一种煤气化污水水质关键指标软测量方法及系统 | |
| Valente et al. | Modelling fed-batch fermentation processes: an approach based on artificial neural networks |
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 |