本站小編為你精心準備了稀土萃取過程及控制方法參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

【摘要】在對稀土元素進行萃取和分離的過程中，得到的各種組分含量并不固定，而是會在一定范圍內波動，這樣可能會對產品的質量造成影響。基于此，論文從稀土元素生產中萃取和分離過程出發，對其組分含量的區間控制方法進行了分析和討論，結合仿真試驗，對控制方法的可行性和可靠性進行了驗證。

【關鍵詞】稀土；萃取分離；組分含量；區間控制 

1引言

稀土本身是一種稀缺資源，具有不可再生性，也是高新技術發展中一種不可或缺的元素。對于化工企業而言，稀土產品的生產原理為通過相應的工藝流程，對混合稀土溶液中的稀土元素進行萃取分離，其生產的過程不僅專業性強，還具有非線性、強耦合的特點，變量眾多，很容易對得到的產品組分產生影響。為了保證稀土萃取分離的效果，這里將稀土的萃取分離環節進行相應簡化，代之以雙輸入雙輸出系統，選擇某企業CePr/Nd的萃取過程，對其運行數據進行整理分析，配合相應的神經網絡，完成模型構筑工作，再以可靠的區間孔子方法，將原本系統存在的輸出約束進行轉換，希望借此實現對稀土萃取分離過程的有效控制。

2萃取過程

稀土元素本身的分離系數相對較少，因此在工業生產中，一般都會將多個萃取槽進行串聯，確保被萃取物質可以與有機相、水相等實現多次接觸，將稀土元素有效分離出來，得到兩個及以上的產品，同時也能夠保證產品的純度和收率。考慮系統萃取分離過程屬于時間序列相關問題，一般情況下都會利用遞歸神經網絡進行解決，不過因為神經網絡本身的復雜性，訓練環節眾多，因此在很多時候，并不適合針對非線性時間序列進行預測分析。對此，提出了一種基于ESN網絡的時間序列預測方法，權值的訓練更加簡單，也可以對記憶漸消問題進行有效規避[1]。

3模型構建

ESN網絡本身屬于神經網絡的一種特殊形式，在實踐中，能夠將傳統神經網絡的中間層替換成遞歸網絡，對原本煩瑣的網絡訓練過程進行優化。ESN網絡結構如圖1所示。ESN網絡能夠將狀態儲備池分為數百上千個神經單元，這些神經單元保持隨機稀疏連接狀態，矩陣譜半徑小于1。而在開展網絡訓練時，連接儲備池的權矩陣會在訓練的過程中隨機產生，而且一旦產生就會固定下來，考慮到狀態變量、輸入輸出之間屬于線性關系，可以通過對線性回歸問題的求解，獲取對應的連接權[2]。稀土萃取過程模型構建中得到的是雙輸入雙輸出模型，其中的輸入量u1代表萃取劑的流量，u2代表洗滌劑的流量，輸出量y1代表萃取段兩側監測級的組分含量，y2代表洗滌段兩側監測級組分含量。ESN模型輸入u（k）=[u1，u2]T，第k步ESN網絡輸入儲備池狀態為x（k）=[x1（k），x2（k），…，xN（k）]T，模型輸出y（k）=[y1（k），y2（k）]T。在經過訓練得到Wout的數值后，代入就能夠得到ESN網絡模型的輸出y，模型構建全部完成。

4控制方法

4.1區間預測控制

預測控制具備很多優點，如反饋控制、控制優化、多步控制等，能夠有效應對工業生產環節，以及存在于過程控制中的隨機干擾問題，配合相應的多步最小化性能指標函數，也能夠對K時刻存在的，隸屬于未來某個時間段的最優控制序列進行計算，而且預測控制本身能夠對原本輸入輸出變量中的約束條件進行轉化，形成相應的控制律求解問題。利用預測控制，完成對于稀土分離過程中組分含量的區間控制，依照相應的區間控制方法，技術人員能夠針對預測值進行優化調整，確定好未來的最佳控制作用。在調整優化的過程中，主要是運用滾動優化，必須進行反復計算，且計算必須在線進行[3]。

4.2區間控制策略

在針對相應的模型控制參數進行調整后，配合以區間預測為基礎的控制算法，將可變權矩陣Q引入到系統性能指標中，運用相應的預測控制器，在滿足區間約束條件的前提下，使被控變量可以優先落在期望控制區間中。基于區間控制的預測控制如圖2所示。如果預測輸出落在上圖中標明的三個區間內，或者超出區間范圍，輸出誤差權矩陣Q（i）會結合預先設定好的區間控制策略，對其進行適當調整，作為對角矩陣，權矩陣本身的對角元素與被控變量的重要性呈正比。當預測輸出落在區間Ⅰ中時，調整權矩陣Q（i）=0，將區間內輸出的變化忽略，i=1,2，…，P；當預測輸出落在區間Ⅱ、Ⅲ中時，將會超出期望區間，則需要對權值進行相應調整；當預測輸出落在三個區間外時，將會完全超出給定的約束條件，此時權值最大，存在Q（i）=1，所有被控變量都會落在規定范圍內[4]。

5仿真分析

為了對上文提出方法的有效性進行驗證，選擇某公司CePr/Nd萃取分離過程作為對象進行仿真分析。先對萃取過程中不同階段產生的4000組動態過程數據進行采集，采用隨機方式，在4000組數據中，選出3000組作為建模參數，剩下的數據則作為對比測試的樣本，基于廣義預測的方法，配合上文構建的模型，對稀土萃取分離過程進行控制。

5.1仿真結果

結合上文構建出的ESN網絡模型分析，在CePr/Nd萃取分離過程中，存在于模型動態儲備池內的神經元數量為250，隱含層保持約1%的稀疏連接，同時矩陣譜半徑數值為0.85。為了針對CePr/Nd萃取分離過程中的模型精度進行準確衡量，在開展仿真試驗的過程中，對比模型得到的輸出值和樣本的實質數值，利用兩者存在的相對誤差作為性能指標，經測試后得到誤差曲線，可以看出，萃取分離過程中，模型測量相對誤差在2%以內，表明模型精度較高。

5.2控制過程

設定預測時域為P=8，M=2，結合相應的工藝要求，將萃取段監測級中20級水相CePr的組分含量變化范圍設定為0.9418~0.9918,50級監測級有機相Nd組分含量變化范圍為0.8717~0.9217，設定好相應的約束條件，配合上文提到的組分含量區間控制方法，針對稀土萃取分離過程進行仿真控制。對照結果分析，在稀土萃取分離過程中，如果存在干擾，兩端監測級中的組分含量會產生波動，因此，選擇廣義預測控制方法，就稀土萃取分離過程中，萃取劑的流量和洗滌液的流量進行必要調整，通過這樣的方式，可以切實保障兩端監測級的組分含量被控制在給定的區間范圍內[5]。

6結論

總而言之，工業生產中，稀土萃取分離過程存在不少問題，利用相應的回聲狀態神經網絡，描述稀土萃取分離過程，構建動態模型，然后結合區間控制的有效方法以及廣義預測控制算法，實現了對萃取液和洗滌液流量的實時調節，以此來保證稀土萃取分離過程組分含量的區間控制。通過相應的仿真試驗可知，當存在邊界條件干擾時，本文提出的區間控制方法具備良好的控制效果，可以將兩端監測級組分含量控制在給定范圍內，促進企業生產效率和經濟效益的提高。

【參考文獻】

【1】馮雪嬌,崔紅敏,黃勇,等.稀土提取與分離技術專利分析[J].江西科學,2018,36(04):687-693.

【2】吳新友.稀土礦測試分析狀況及解決方法[J].冶金與材料,2018,38(03):47+49.

【3】陳燕飛,季尚軍,常宏濤,等.P292與Alamine336協同萃取稀土元素的研究[J].有色金屬(冶煉部分),2018(06):45-47,55.

【4】劉飛飛,古帥奇,劉龍細,等.基于QPSO-ELM的稀土萃取過程組分含量預測研究[J].有色金屬(冶煉部分),2017(05):37-40.

【5】陸榮秀,何麗娟,張國慶,等.稀土萃取分離過程組分含量區間控制方法[J].化工學報,2017,68(03):1058-1064.

作者：孫書鵬 李琦 單位：內蒙古科技大學