基于溶液图像时序特征的元素组分含量动态监测系统

针对稀土萃取过程中组分含量难以实时监测以及现有组分含量检测方法耗时、耗内存的现状,设计了一种基于溶液图像时序特征的元素组分含量动态监测系统。首先使用图像采集装置获取萃取槽体溶液的时序图像,考虑萃取液颜色特性和单一颜色空间的不全面性,采用主成分分析（PCA）方法在HSI和YUV融合的颜色空间提取图像的时序特征,并结合生产指标构造基于鲸鱼优化算法（WOA）的最小二乘支持向量机（LSSVM）分类器来对工况状态进行判断。然后当工况处于非最佳状态时,在HSV颜色空间对图像提取颜色直方图和颜色矩特征,并开发以溶液图像间的混合特征差值的线性加权值为相似度度量的图像检索系统,从而获取组分含量值。最后进行镨/钕萃取槽体混合溶液测试,结果表明该系统能够实现元素组分含量的动态监测。     

基于混合虚拟样本生成的铈镨/钕组分含量预测

针对稀土萃取过程进行质量监控时,存在采集样本重复率高、有效数据少的小样本问题,提出一种基于混合虚拟样本生成的稀土萃取过程组分含量预测方法.首先,以萃取现场的小样本为基础,采用中点插值法生成虚拟样本输出数据,再根据随机配置网络(SCN)中隐含层与输出层、输入层与隐含层间的映射关系,生成虚拟样本输入数据;鉴于这些虚拟样本仅能在邻近点产生,采用结合遗传算法(GA)的多分布趋势扩散技术(MD-MTD)生成优化的虚拟样本集进行补充.依据数据合理性原则,将虚拟样本与真实小样本进行融合,建立基于SCN的组分含量预测模型.铈镨/钕萃取现场数据验证和对比实验分析表明,所提出的方法能有效解决小样本问题,适用于稀土萃取过程组分含量监控.     

基于改进即时学习算法的镨/钕元素组分含量预测

针对镨/钕(Pr/Nd)萃取过程元素组分含量难以在线实时检测的现状,引入加权相似度准则和局部模型更新策略,提出一种基于改进即时学习算法的稀土元素组分含量快速估计方法.首先,为了保证即时学习算法学习集选取的合理性,充分考虑输入输出变量之间的相关程度,采用互信息加权的相似度准则选择建模邻域,以最小二乘支持向量机(LSSVM)作为即时学习算法的局部模型;其次,依据由相似度阈值更新和数据库更新组成的模型更新策略校正LSSVM局部模型,改善组分含量预测模型的精度和实时性;最后,基于镨/钕萃取现场数据进行仿真对比试验,结果表明所建模型具有精度高、实时性好等优点,适用于稀土萃取生产现场元素组分含量的快速预估.     

Elman网络对铈镨/钕萃取过程的应用研究

鉴于稀土元素铈镨/钕(CePr/Nd)的萃取是一个非线性、强耦合的复杂过程,难以建立精准的过程模型.利用实际萃取过程的萃取剂流量和洗涤剂流量作为输入,监测级两端组分含量作为输出.然后根据稀土元素CePr/Nd萃取生产过程的工艺参数要求,利用串级萃取理论对CePr/Nd元素的萃取过程进行模拟,分析每个串级的CePr/Nd含量的分布.再结合实际生产过程中采集的数据,建立稀土CePr/Nd萃取过程模拟的Elman网络模型,从而确保两端出口产品最终达到所需纯度.最后通过稀土萃取过程BP、RBF、Elman建模策略进行了仿真对比,结果表明:萃取过程Elman模型具有更高的预测精度和更好的稳定性,可为稀土萃取生产过程工艺参数调整提供可靠的信息依据.     

基于多任务学习多目标优化的稀土元素组分含量与浓度多维度软测量

稀土混合萃取溶液中各元素组分含量的在线软测量是优化连续萃取生产过程、确保产品高纯化的前提. 现 有软测量方法可独立求解单个稀土元素组分含量, 但忽略了多元素组分含量间或组分含量与其它相关因素(如浓 度)间的共性. 本文为探索多稀土元素组分含量间及组分含量与浓度间的共性, 将多任务学习方法用于稀土元素组 分含量软测量中. 首先, 构建多任务深度神经网络, 提高模型的泛化能力和鲁棒性. 其次, 提出基于多目标优化算法 的稀土多元素组分含量预测方法, 通过搜索Pareto最优以提升各任务的预测精度. 经多组对比实验表明, 该方法在 多元素组分含量或多元素组分含量与浓度同时训练时性能最佳, 能满足稀土元素组分含量在线检测的精确性和实 时性.     

数据驱动的复杂磨矿过程运行优化控制方法

针对赤铁矿磨矿过程的磨矿粒度（Grinding particle size,GPS）与控制回路输出之间的动态特性难以用数学模型描述,且磨矿粒度不能在线测量,并受矿石成分与性质频繁波动干扰,难以采用已有运行优化方法的难题,结合磨矿过程的特点,利用数据,采用神经网络,提出由回路预设定值优化、性能指标估计、优化设定值评价以及磨矿粒度软测量组成的数据驱动的磨矿过程运行优化控制方法. 该方法由磨矿粒度软测量估计矿浆粒度,通过回路预设定值优化模块求得使性能指标估计值接近最优值的回路预设定值,经优化设定值评估产生回路设定值,最后通过控制回路跟踪设定值,将矿浆粒度控制在目标值范围内并尽可能的接近目标值. 通过研制的运行优化与控制研究平台,采用实际运行数据进行仿真实验,表明所提方法的有效性.     

稀土萃取过程组分含量的RBF软测量建模

稀土萃取分离过程的自动控制一直是稀土工业急待解决的关键难题,要实现稀土萃取分离过程的自动控制,首先必须解决串级萃取槽中各稀土组分含量的在线检测,而传统的检测又有很大的问题,软测量技术在稀土萃取过程控制中的应用研究开始活跃起来。该文是基于RBF网络的稀土萃取过程组分含量进行软测量建模的研究。     

基于改进的GRA-即时学习算法的镨/钕元素组分含量预测

针对现有稀土元素组分含量模型具有离线、时滞大、抗干扰能力弱等问题,提出一种改进的GRA-即时学习算法(GRA-JITL-LSSVM)建立稀土萃取过程组分含量在线检测模型.首先,采用灰色关联分析方法(GRA)分析输入输出变量之间的变化趋势和关联程度,采用哈希表确定学习集大小,确保数据相似度信息的完整性和学习集的合理性,据此建立最小二乘支持向量机(LSSVM)模型,并引入数据库更新准则,提高模型的抗干扰能力;然后,为了保证GRA-JITL-LSSVM模型参数的全局最优,提出一种带有停滞回溯策略的遗传算法(SBS-GA),并对SBS-GA的收敛性进行分析验证;最后,通过镨/钕萃取现场数据进行仿真实验,结果表明所提出SBS-GA算法能够保证寻优参数的全局解,所提出的GRA-JITL-LSSVM实时性高、预测精度好,可用于稀土萃取生产现场元素组分含量的在线检测.     

基于GA-ELM的稀土混合溶液多组分含量预测

针对稀土萃取液中有颜色特征和无颜色特征的离子在共存工况下组分含量难以快速检测的问题,提出一种基于遗传算法(GA)-极限学习机(ELM)的多组分含量预测方法。确定稀土萃取槽体混合溶液图像特性和描述图像信息的H、S颜色特征分量,利用ELM速度快、泛化能力强的优点,建立基于颜色特征的多组分含量模型,鉴于传统ELM模型初始权值和阈值的随机性易影响模型性能,使用GA对初始值进行优化确定。基于CePr/Nd萃取溶液样本数据的实验结果表明,与ELM、BP、LSSVM以及GA-BP、PSO-ELM等算法相比,该方法具有较高的预测精度且稳定性较好,可为稀土萃取现场快速获取多组分含量值提供技术支撑。     

稀土萃取分离过程的优化设定控制

针对稀土萃取分离生产过程的特点,将机理分析与神经网络技术相结合,给出了实现稀土萃取分离生产过程组份含量在线预测的软测量模型及其校正算法．提出了基于案例推理和软测量技术相结合的稀土萃取分离生产过程智能优化设定控制技术．将该技术应用于某公司HAB双溶剂萃取提钇分离生产过程,实现了萃取分离生产过程的优化控制和优化运行,取得了明显的应用成效．     

稀土萃取过程的广义预测解耦控制

考虑稀土萃取过程具有多变量、强耦合特性,提出一种基于广义预测解耦控制(GPDC)的稀土萃取过程控制方法。首先针对模型未知的强非线性稀土萃取过程,构建基于极限学习机的组分含量系统模型,并依据模型特点设计多个稀土萃取过程GPDC控制器;然后为降低各控制回路间的耦合性,在控制器的性能指标中引入校正策略,通过回路中模型预测值与参考值的偏差自适应调整偏差权重;最后基于CePr/Nd萃取过程中采集的数据进行GPDC与常规广义预测控制器进行对比仿真实验。仿真结果显示本文采用的GPDC算法能大幅度降低控制量的超调量,控制效果显著,这为解决稀土萃取过程中多变量强耦合的优化控制问题提供了借鉴。     

稀土串级萃取分离过程的双线性模型及其参数辨识

稀土串级萃取分离过程元素组分含量的在线检测对于提高金属直收率至关重要,由于难以实现连续在线测量,因此研究动态模型成为采用软测量技术的关键．本文以稀土串级萃取分离过程的物料平衡方程为基础,提出了一种具有状态滞后的双线性动态模型,并对模型进行了分段集结降阶简化．通过工业现场采集的数据,采用最小二乘法对模型参数进行辨识,并根据误差指标选择最佳系统时滞,得到了表征稀土串级萃取分离过程的动态数学模型．稀土串级萃取分离过程实际数据的仿真结果表明了该建模方法的有效性和模型的准确性．     

基于多分支残差深层网络的稀土萃取流程模拟

稀土萃取过程机理复杂, 存在非线性、强耦合以及大滞后等特点, 依据传统机理分析方法不能实现精确的萃取流程模拟. 对此, 本文提出一种多分支残差深层网络(MB-RDN)用于稀土萃取工艺流程模拟. 首先, 针对多级萃取槽串接而成的稀土萃取流程提出具有多分支结构的深层神经网络, 该网络可以通过不同的分支出口计算每级萃取槽的组分含量; 其次, 为了有效缓解深层网络的梯度消失问题, 在分支中引入残差结构和特征短接操作, 并设计出一种多特征融合机制. 所设计网络可以有效地学习原始特征、深层特征和分支间耦合特征以提升预测精度. 最后的仿真结果表明了所提方法的有效性.     

稀土萃取过程组分含量的神经网络软测量方法

Throught fusion of the mechanism modeling and the neural networks modeling, a component content soft-sensor, which is composed of the equilibrium calculation model for multi-component rare earth extraction and the error compensation model of fuzzy system, is proposed to solve the problem that the component content in countercurrent rare-earth extraction process is hardly measured on-line. An industry experiment in the extraction Y process by HAB using this hybrid soft-sensor proves its effectiveness.     

基于改进差分进化的稀土萃取能效分离系数优化

基于机理模型的稀土萃取工艺流程没有考虑萃取槽中搅拌机的能效,导致求解得到的各级组分含量与工业实际生产数据有较大误差.通过引入能效分离系数概念,建立符合实际萃取工艺的各萃取槽稀土元素组分含量模型,构建求解能效分离系数的优化目标函数.针对该优化目标函数多峰、多变量的特点,提出一种种群规模线性减小的混沌双变异自适应差分进化改进算法(LCTADE).首先,将混沌序列嵌入改进算法中生成初始种群,增强种群多样性;其次,针对进化不同阶段对突变策略性能要求不同,提出基于DE/current-to-pbest/1和DE/rand/1的双变异策略方法;最后,采用参数自适应方法分别设置F、CR及NP值.在仿真实验中,将所提出的LCTADE方法针对CEC 2017的函数进行测试并与其他算法比较,显示出其优越性,并通过求解基于能效分离系数的稀土萃取工艺流程优化目标函数,表明所提出方法的有效性.