稀土萃取分离过程组分含量区间控制方法探析

2019-03-19 01:48孙书鹏李琦
关键词:稀土

孙书鹏 李琦

【摘 要】在对稀土元素进行萃取和分离的过程中,得到的各种组分含量并不固定,而是会在一定范围内波动,这样可能会对产品的质量造成影响。基于此,论文从稀土元素生产中萃取和分离过程出发,对其组分含量的区间控制方法进行了分析和讨论,结合仿真试验,对控制方法的可行性和可靠性进行了验证。

【关键词】稀土;萃取分离;组分含量;区间控制

【Keywords】rare earth; extraction separation; component content; interval control

【中图分类号】O65                                           【文献标志码】A                                            【文章编号】1673-1069(2019)01-0146-02

1 引言

稀土本身是一种稀缺资源,具有不可再生性,也是高新技术发展中一种不可或缺的元素。对于化工企业而言,稀土产品的生产原理为通过相应的工艺流程,对混合稀土溶液中的稀土元素进行萃取分离,其生产的过程不仅专业性强,还具有非线性、强耦合的特点,变量众多,很容易对得到的产品组分产生影响。为了保证稀土萃取分离的效果,这里将稀土的萃取分离环节进行相应简化,代之以雙输入双输出系统,选择某企业CePr/Nd的萃取过程,对其运行数据进行整理分析,配合相应的神经网络,完成模型构筑工作,再以可靠的区间孔子方法,将原本系统存在的输出约束进行转换,希望借此实现对稀土萃取分离过程的有效控制。

2 萃取过程

稀土元素本身的分离系数相对较少,因此在工业生产中,一般都会将多个萃取槽进行串联,确保被萃取物质可以与有机相、水相等实现多次接触,将稀土元素有效分离出来,得到两个及以上的产品,同时也能够保证产品的纯度和收率。考虑系统萃取分离过程属于时间序列相关问题,一般情况下都会利用递归神经网络进行解决,不过因为神经网络本身的复杂性,训练环节众多,因此在很多时候,并不适合针对非线性时间序列进行预测分析。对此,提出了一种基于ESN网络的时间序列预测方法,权值的训练更加简单,也可以对记忆渐消问题进行有效规避[1]。

3 模型构建

ESN网络本身属于神经网络的一种特殊形式,在实践中,能够将传统神经网络的中间层替换成递归网络,对原本烦琐的网络训练过程进行优化。ESN网络结构如图1所示。

ESN网络能够将状态储备池分为数百上千个神经单元,这些神经单元保持随机稀疏连接状态,矩阵谱半径小于1。而在开展网络训练时,连接储备池的权矩阵会在训练的过程中随机产生,而且一旦产生就会固定下来,考虑到状态变量、输入输出之间属于线性关系,可以通过对线性回归问题的求解,获取对应的连接权[2]。

就能够得到ESN网络模型的输出y,模型构建全部完成。

4 控制方法

4.1 区间预测控制

预测控制具备很多优点,如反馈控制、控制优化、多步控制等,能够有效应对工业生产环节,以及存在于过程控制中的随机干扰问题,配合相应的多步最小化性能指标函数,也能够对K时刻存在的,隶属于未来某个时间段的最优控制序列进行计算,而且预测控制本身能够对原本输入输出变量中的约束条件进行转化,形成相应的控制律求解问题。利用预测控制,完成对于稀土分离过程中组分含量的区间控制,依照相应的区间控制方法,技术人员能够针对预测值进行优化调整,确定好未来的最佳控制作用。在调整优化的过程中,主要是运用滚动优化,必须进行反复计算,且计算必须在线进行[3]。

4.2区间控制策略

在针对相应的模型控制参数进行调整后,配合以区间预测为基础的控制算法,将可变权矩阵Q引入到系统性能指标中,运用相应的预测控制器,在满足区间约束条件的前提下,使被控变量可以优先落在期望控制区间中。基于区间控制的预测控制如图2所示。

如果预测输出落在上图中标明的三个区间内,或者超出区间范围,输出误差权矩阵Q(i)会结合预先设定好的区间控制策略,对其进行适当调整,作为对角矩阵,权矩阵本身的对角元素与被控变量的重要性呈正比。当预测输出落在区间Ⅰ中时,调整权矩阵Q(i)=0,将区间内输出的变化忽略,i=1,2,…,P;当预测输出落在区间Ⅱ、Ⅲ中时,将会超出期望区间,则需要对权值进行相应调整;当预测输出落在三个区间外时,将会完全超出给定的约束条件,此时权值最大,存在Q(i)=1,所有被控变量都会落在规定范围内[4]。

5 仿真分析

为了对上文提出方法的有效性进行验证,选择某公司CePr/Nd萃取分离过程作为对象进行仿真分析。先对萃取过程中不同阶段产生的4000组动态过程数据进行采集,采用随机方式,在4000组数据中,选出3000组作为建模参数,剩下的数据则作为对比测试的样本,基于广义预测的方法,配合上文构建的模型,对稀土萃取分离过程进行控制。

5.1 仿真结果

结合上文构建出的ESN网络模型分析,在CePr/Nd萃取分离过程中,存在于模型动态储备池内的神经元数量为250,隐含层保持约1%的稀疏连接,同时矩阵谱半径数值为0.85。为了针对CePr/Nd萃取分离过程中的模型精度进行准确衡量,在开展仿真试验的过程中,对比模型得到的输出值和样本的实质数值,利用两者存在的相对误差作为性能指标,经测试后得到误差曲线,可以看出,萃取分离过程中,模型测量相对误差在2%以内,表明模型精度较高。

5.2 控制过程

设定预测时域为P=8,M=2,结合相应的工艺要求,将萃取段监测级中20级水相CePr的组分含量变化范围设定为0.9418~0.9918,50级监测级有机相Nd组分含量变化范围为0.8717~0.9217,设定好相应的约束条件,配合上文提到的组分含量区间控制方法,针对稀土萃取分离过程进行仿真控制。对照结果分析,在稀土萃取分离过程中,如果存在干扰,两端监测级中的组分含量会产生波动,因此,选择广义预测控制方法,就稀土萃取分离过程中,萃取剂的流量和洗涤液的流量进行必要调整,通过这样的方式,可以切实保障两端监测级的组分含量被控制在给定的区间范围内[5]。

6 结论

总而言之,工业生产中,稀土萃取分离过程存在不少问题,利用相应的回声状态神经网络,描述稀土萃取分离过程,构建动态模型,然后结合区间控制的有效方法以及广义预测控制算法,实现了对萃取液和洗涤液流量的实时调节,以此来保证稀土萃取分离过程组分含量的区间控制。通过相应的仿真试验可知,当存在边界条件干扰时,本文提出的区间控制方法具备良好的控制效果,可以将两端监测级组分含量控制在给定范围内,促进企业生产效率和经济效益的提高。

【参考文献】

【1】冯雪娇,崔红敏,黄勇,等.稀土提取与分离技术专利分析[J].江西科学,2018,36(04):687-693.

【2】吴新友.稀土矿测试分析状况及解决方法[J].冶金与材料,2018,38(03):47+49.

【3】陈燕飞,季尚军,常宏涛,等.P292与Alamine336协同萃取稀土元素的研究[J].有色金属(冶炼部分),2018(06):45-47,55.

【4】刘飞飞,古帅奇,刘龙细,等.基于QPSO-ELM的稀土萃取过程组分含量预测研究[J].有色金属(冶炼部分),2017(05):37-40.

【5】陆荣秀,何丽娟,张国庆,等.稀土萃取分离过程组分含量区间控制方法[J].化工学报,2017,68(03):1058-1064.

猜你喜欢
稀土
中国的“稀土之都”
2022 年7 月我国主要稀土产品平均价格
2022 年5 月中国稀土出口统计
2022年2月中国稀土出口统计
2022年3月我国主要稀土产品平均价格
2021年12月中国稀土出口统计
2022年1月我国主要稀土产品平均价格
2021年11月中国稀土出口统计
2021年12月我国主要稀土产品平均价格
稀土铈与铁和砷交互作用的研究进展