[發(fā)明專利]基于即時學習的稀土萃取過程藥劑量優(yōu)化設定方法

有效

• 申請?zhí)枺?/td>: 202110706355.2
• 申請日: 2021-06-24
• 公開（公告）號: CN113377072B
• 公開（公告）日: 2023-02-07
• 發(fā)明（設計）人: 代文豪;陳鵬展;楊輝;陸榮秀;朱建勇
• 申請（專利權）人: 華東交通大學
• 主分類號: G05B19/418
• 分類號: G05B19/418
• 代理公司: 南昌市贛昌知識產權代理事務所(普通合伙) 36140
• 代理人: 劉鴻運

1.一種基于即時學習的稀土萃取過程藥劑量優(yōu)化設定方法，是利用即時學習的思想，實現基于模型和數據的稀土萃取過程藥劑量優(yōu)化設定方法，根據萃取平衡和物料平衡的稀土萃取靜態(tài)機理模型基礎，建立以綜合經濟效益最大化為目標的稀土萃取過程經濟效益最優(yōu)的優(yōu)化模型，并對模型的相應參數進行預測；

運用JITL的方法，在理論最優(yōu)藥劑量設定值的局部進行在線建模，并對局部模型進行優(yōu)化求解得到最優(yōu)的藥劑量補償值；通過迭代補償逐步逼近稀土萃取過程藥劑量的最優(yōu)設定值；實現稀土萃取過程藥劑量優(yōu)化設定在線智能設計，使稀土萃取過程始終工作在最優(yōu)工作點，從而提高稀土萃取全流程生產的經濟效益，實現稀土萃取分離智能化；

稀土萃取過程經濟效益最優(yōu)的優(yōu)化模型是基于生產指標、料液配分、藥劑濃度、藥劑流量、料液濃度、皂化度為入礦條件，以單位時間內綜合經濟效益最大為目標；

構成數據樣本，是通過獲取一定時間段稀土生產過程數據集，稀土萃取過程的入礦條件、邊界條件、生產指標、藥劑量參數，單位時間的綜合經濟效益和組分含量值；

運用這些數據樣本對機理模型進行工藝參數預測；

運用PSO智能優(yōu)化算法，對以綜合經濟效益最大為目標的稀土萃取過程經濟效益最優(yōu)的優(yōu)化模型進行優(yōu)化求解，得到基于模型的理論藥劑量設定值u*；

運用即時學習的思想，在最優(yōu)工況中，選擇與理論藥劑量設定值u*接近的一組數據作為局部在線建模的數據集，建立藥劑量差值Δu和綜合經濟效益差值ΔJ的模型；

對在線局部模型進行優(yōu)化求解，獲得藥劑量設定值的最優(yōu)補償值Δu；

u*+Δu即為稀土萃取過程藥劑量的最優(yōu)設定值，將u*+Δu用于實際生產過程中，不斷迭代，使稀土萃取過程始終工作在最優(yōu)工作點，獲得最優(yōu)的經濟效益；

所述稀土萃取過程經濟效益最優(yōu)的優(yōu)化模型，包括：

1)，基于相對分離系數原理建立稀土萃取過程出口產品產量與藥劑流量之間的數學模型，根據如下式(1)-(4)得到穩(wěn)態(tài)下兩端出口產品組成，有機相出口A產品中難萃組分的出口摩爾分數：

水相出口B產品中易萃組分的出口摩爾分數：

根據進出物料平衡可得，有機相出口中易萃組分的出口摩爾分數：

水相出口中難萃組分的出口摩爾分數：

式中，f_A，f_B，f_F分別表示料液中易萃組分，難萃組分和料液中各組分組成，f’表示水相出口各組分摩爾分數，表示有機相出口各組分摩爾分數，R表示產品收率；再對兩出口各元素摩爾分數進行歸一化處理，即得到兩端出口各元素組分組成；

以有機相進料為例，確定萃取平衡時各級稀土存槽量，由下式(5)、(6)式獲得：

式中，X_j,i和Y_j,i分別表示第j級水相和有機相中第i個元素的組分含量；單位時間內稀土萃取過程經濟效益J可表示為式(7)：

J＝(u_w+u_f)*P_B*Q_B+u_s*P_A*Q_A-u_s*Q_s-u_w*Q_w-u_f*Q_f-Re (7)

式中，u_w,u_f,u_s分別表示洗滌劑、料液、萃取劑流量；P_A,P_B分別表示有機相、水相出口產品純度；Q_A,Q_B,Q_s,Q_w,Q_f分別表示有機相產品、水相產品、萃取劑、洗滌劑、料液單價；Re表示稀土存槽量，存槽量越多成本越高；

2)，獲取建模數據集，

根據不同生產環(huán)境，影響萃取分離系數，于實際生產流程，采集一定時間段的稀土萃取過程的洗滌劑流量、萃取劑流量、料液流量、生產指標和實際經濟效益指標，得到一組以綜合經濟效益最大為目標的稀土萃取過程經濟效益最優(yōu)的優(yōu)化模型的實際數據；

3)，模型參數預測；

引用粒子群算法優(yōu)化分離系數參數進行預測求解，PSO作為一種迭代模式的優(yōu)化算法，每個粒子都代表分離系數的一個潛在解，每個粒子對應一個由適應度函數決定的適應度值，粒子速度決定了粒子移動的方向和距離，速度隨自身及其他粒子的移動經驗進行動態(tài)調整，

粒子速度和位置更新公式，分別表述為(8)和(9)；

其中：ω是慣性因子，c₁和c₂為學習因子,r₁和r₂為(0,1)間服從均勻分布的隨機數；結合實際數據，利用PSO算法，對模型中分離系數進行預測，得到適合當前工況的藥劑量和經濟效益的模型；

4)稀土萃取過程經濟效益最優(yōu)的優(yōu)化模型，

由步驟3)得到的稀土萃取過程藥劑量和經濟效益的模型，稀土萃取過程藥劑量的最優(yōu)設定模型，描述為式(10)：

式(10)中經濟效益J即為優(yōu)化目標函數，g(u)表示稀土萃取過程中的不等式約束，u_iL,u_iU分別為第i個藥劑量的下限和上限；求解，得到稀土萃取過程藥劑量的最優(yōu)設定值。