稀土萃取过程及控制方法范文

【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 

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，代之以双输入双输出系统，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]。稀土萃取过程模型构建中得到的是双输入双输出模型，其中的输入量u1代表萃取剂的流量，u2代表洗涤剂的流量，输出量y1代表萃取段两侧监测级的组分含量，y2代表洗涤段两侧监测级组分含量。ESN模型输入u（k）=[u1，u2]T，第k步ESN网络输入储备池状态为x（k）=[x1（k），x2（k），…，xN（k）]T，模型输出y（k）=[y1（k），y2（k）]T。在经过训练得到Wout的数值后，代入就能够得到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.

作者：孙书鹏 李琦 单位：内蒙古科技大学