[发明专利]一种稀土萃取过程组分含量的预测控制方法及系统

说明书

本发明公开了一种稀土萃取过程组分含量的预测控制方法及系统。所述预测控制方法包括：建立稀土萃取过程Elman神经网络模型；通过所述稀土萃取过程Elman神经网络模型预测稀土萃取过程的预测输出值；通过稳态优化计算得到最优设定值；基于所述预测输出值和所述最优设定值，动态预测萃取剂流量增量和洗涤剂流量增量；根据所述萃取剂流量增量和所述洗涤剂流量增量控制稀土萃取过程组分含量。本发明建立稀土萃取过程Elman神经网络模型，通过稳态优化计算来解决设定点的优化设定问题，再结合动态预测控制方法得到最佳的控制效果，实现稀土萃取过程组组分含量优化设定控制，保证稀土萃取过程的产品质量。

技术领域

本发明涉及过程控制领域，特别涉及基于一种稀土萃取过程组分含量的预测控制方法及系统。

背景技术

由于稀土元素具有优越的物理、化学以及电学等性能，因此被广泛用于传统工业领域、军事领域以及高新技术领域，促进了相关行业技术的进步。我国的稀土行业通常使用溶剂萃取法来获得单一、高纯度的稀土元素，但是对于稀土萃取流程工业具有尤为复杂的工况变化特性的多变量系统来说，稀土元素的萃取分离是一个非线性、强耦合并且滞后严重的复杂工业流程，简单的机理模型是无法对该过程进行描述的，也难以设计高效的控制器控制该过程。现阶段，稀土萃取分离工业过程的自动化程度还处于比较低的状况，还未能在实际现场实现在线检测，仍需经验丰富的操作人员凭借自身的经验对该萃取过程进行控制。通过对稀土萃取工业流程分析，得出衡量其过程两端出口处产品质量的重要指标，即萃取槽内组分含量的分布。因此，研究确保稀土元素萃取分离过程中两端监测点的组分含量达到最佳设定值，对保证产品质量的提高具有重要意义。

稀土萃取过程大体可将建模方式分为两种，即静态建模与动态建模。静态模型的建立主要是依据串级萃取平衡理论，用该方式建立的静态模型未对萃取过程中的动态特性进行考量。其中，已有的遵循稀土物料平衡的原理，采用分段集结建模的方式，建立稀土萃取过程双线性模型，但它未将萃取槽的级间相互作用模式纳入考虑当中，仍存在较大的误差。

若稀土元素的萃取主要采取串级萃取分离工艺，稀土萃取过程是一个多输入多输出、尤为复杂的非线性过程，而且会受到多种因素的影响。为了对稀土萃取过程更好的进行优化和控制，需要建立更准确的稀土萃取过程描述模型。

随着工业流程技术的发展，对于稀土工业流程生产的高效性、稳定性以及稀土产品纯度的要求，也在不断的提高。因此，有关稀土萃取流程组分含量的控制技术也得到了一定的发展。传统的控制技术有基于PID控制算法、基于模糊控制、专家系统以及自适应鲁棒控制等稀土萃取流程控制算法。基于PID控制算法的控制技术，在进行稀土进料流量控制时，忽视了各流量对监测级组分含量设定值的影响，从而不能达到预期的效果。基于模糊控制、专家系统等稀土萃取过程控制算法，将各级的输入模糊化，同时考虑了各流量对监测级组分含量设定值的影响，提升了能控制效果。然而模糊控制和专家系统控制是模拟专家实际经验进行控制，当萃取现场运行工况发生变化或受到干扰时，该控制策略不能及时在线调整参数。虽然自适应鲁棒控制方法能够以全局的角度考虑系统的稳定性，但是无法衡量萃取流程的动态性能。可见现有的控制算法均不能达到最优控制标准。

发明内容

本发明的目的是提供一种稀土萃取过程组分含量的预测控制方法及系统，以克服现有的控制算法的不足，达到最优控制标准。

为实现上述目的，本发明提供了如下方案：

本发明提供一种稀土萃取过程组分含量的预测控制方法，其特征在于，所述预测控制方法包括如下步骤：

建立稀土萃取过程Elman神经网络模型；

通过所述稀土萃取过程Elman神经网络模型预测稀土萃取过程的预测输出值；

通过稳态优化计算得到最优设定值；

基于所述预测输出值和所述最优设定值，动态预测萃取剂流量增量和洗涤剂流量增量；