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．     

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.     

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.     

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.     

金属溶剂萃取三出口工艺的数学模拟研究

本文对于总分配比恒定的串级萃取三出口工艺数学模拟,提出了一种较为简单实用的方法,对皂化 P507—煤油体系分离 Cu、Co、Ni 三种元素的三出口工艺用矩阵法进行了串级模拟计算,与实验对比较好地反映了串级分离过程中各元素的分布规律。     

污水处理过程的递阶神经网络建模

针对污水处理过程的多变量和多非线性子系统的串级结构特点, 提出了一种基于活性污泥过程机理的递 阶神经网络建模方法.该方法将神经网络与过程机理模型以串级方式连接, 以神经网络辨识活性污泥过程模型中的非线性组分反应速率. 分析各子过程建模误差的关系, 给出了模型的稳定学习算法和稳定性理论分析. 最后通过某污水处理厂生化脱氮过程实际运行数据的实验表明所提出的建模方法是有效的.     

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．     

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.     

常压蒸馏产品质量软测量改进方法及应用

针对石油化工生产过程基于统计模型的产品质量软测量中普遍存在的软测量模型适用工作范围小、难以反映进料原料性质变化的问题,探讨和应用了机理分析和统计建模相结合的软测量方法。针对一个实际常减压蒸馏产品质量软测量和控制问题．通过机理分析、实际操作数据分析并结合操作人员经验,选择能够反映进料原料性质变化的过程变量作为统计模型的输入以克服进料原料性质变化的影响,将有些直接测量的输入变量按照机理关系进行计算得到的新的变量作为统计建模的输入变量,使其和产品质量之间具有更宽范围的近似线性关系,提高软测量模型的泛化能力：某厂常减压蒸馏装置的实际应用结果表明了该方法的有效性。     

Thermodynamic assessment of the B–Ce and B–Pr systems

By using the Calculation of Phase Diagrams (CALPHAD) technique, the thermodynamic assessments of the B–Re (Re: Ce, Pr) binary system were carried out based on the experimental data including thermodynamic properties and phase equilibria. Gibbs free energies of the solution phases (liquid, fcc, bcc, dhcp) were modeled by the subregular solution model with the Redlich–Kister equation, and those of the intermediate compounds (B₄Ce, B₆Ce, B₅Pr₂, B₄Pr, B₆Pr) were described by the two-sublattice model. A consistent set of thermodynamic parameters leading to reasonable agreement between the present calculated results and experimental data was obtained.     

局部惩罚加权核偏最小二乘算法及其应用

为改善软测量模型精度,提出了一种局部惩罚加权核偏最小二乘算法.该方法通过核映射将原始输入映射到高维特征空间实现对非线性问题的线性化处理,并通过偏最小二乘算法进行主成分提取,降低数据维数;对由主成分构成的新数据集,依据局部学习思想构建局部惩罚加权最小二采回归模型,降低模型对异常数据的敏感度、优化模型参数.鉴于多模型可以改...     

D-FNN based soft-sensor modeling and migration reconfiguration of polymerizing process

A soft-sensor modeling method based on dynamic fuzzy neural network (D-FNN) is proposed for forecasting the key technology indicator convention velocity of vinyl chloride monomer (VCM) in the polyvinylchloride (PVC) polymerizing process. Based on the problem complexity and precision demand, D-FNN model can be constructed combining the system prior knowledge. Firstly, kernel principal component analysis (KPCA) method is adopted to select the auxiliary variables of soft-sensing model in order to reduce the model dimensionality. Then a hybrid structure and parameters learning algorithm of D-FNN is proposed to achieve the favorable approximation performance, which includes the rule extraction principles, the classification learning strategy, the precedent parameters arrangements, the rule trimming technology based on error descendent ratio and the consequent parameters decision based on extended Kalman filter (EKF). The proposed soft-sensor model can automatically determine if the fuzzy rules are generated/eliminated or not so as to realize the nonlinear mapping between input and output variables of the discussed soft-sensor model. Model migration method is adopted to realize the on-line adaptive revision and reconfiguration of soft-sensor model. In the end, simulation results show that the proposed model can significantly enhance the predictive accuracy and robustness of the technical-and-economic indexes and satisfy the real-time control requirements of PVC polymerizing production process.     

Soft-sensor for industrial sugar crystallization: On-line mass of crystals,concentration and purity measurement

This paper deals with the design of a model-based soft-sensor to improve the process monitoring and control in industrial sugar crystallization. This soft-sensor is based on an original model dedicated to the last stage of crystallization, avoiding the solving of the population balance. Additional information like the mass of crystals in the solution, the concentration of dissolved sucrose and the purity are relevant to improve the manufacturing process. As these physicochemical properties are not measurable on-line, a model based soft-sensor is developed. The effectiveness of the soft sensor is demonstrated using real plant data from an industrial crystallization process.     

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.     

基于子空间信息量准则的软测量模型选择研究

提出了子空间信息量概念及其准则,并引出了函数集信息量的概念;在此基础上,阐述了基于上述概念和准则的软测量模型选择理论,指出并解决了软测量模型选择欠学习与过学习问题;给出了一种次优软测量模型选择算法。最后,通过具体实例验证了上述方法的可行性和优越性。     

基于匹配度的广度优先推理方法的应用研究*

将专家系统用于确定发酵过程生物量软测量混合模型的结构,有利于提高软测量模型的精度,并且使其具有通用性和开放性。在分析发酵过程生物量软测量机理模型结构的基础上,定义了模型复杂度;提出了基于匹配度的广度优先推理方法,给出了匹配度的计算方法;实现了用于确定发酵过程生物量软测量混合模型结构的推理过程。实验表明,与基于穷举法的深度优先推理方法比较,基于匹配度的广度优先推理方法能够有效地减少推理的步数,降低模型复杂度,提高推理效率。     

基于因子回归模型的软测量方法

在工业过程中,有很多重要变量往往无法在线检测,通常通过软测量方法进行估计,主元回归是其中1种常用方法。相比于主元,因子更具广泛意义,更能反映数据的本质特征。基于此,提出1种基于因子回归模型的软测量方法,先对过程日常运行数据进行因子分析,建立因子生成模型,并提取因子信息,然后建立因子与关键变量间的因子回归模型,在线应用时先将可测变量代入生成模型得到因子变量,然后将因子代入到因子回归模型,软测量出关键变量。将该方法应用到化工吸附分离过程中,比较了因子回归模型与主元回归模型的软测量效果,结果表明前者优于后者。