一种基于数据驱动的稀土萃取过程动态操作控制方法

摘要

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。

主权项

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  ②σ²_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  ⑤V_F,min≤V_F≤V_F,max  ⑥V_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。