一种稀土萃取分离过程的时滞辨识方法和系统

1.本发明涉及稀土萃取分离技术领域，特别是涉及一种稀土萃取分离过程的时滞辨识方法和系统。


背景技术：

2.稀土是先进装备制造业、新能源、超材料等高新技术产业和发展战略性新兴产业不可或缺的原材料，也为石油化工、电子信息、冶金领域的开发和应用提供了重要支撑。
3.稀土萃取分离过程是一种典型的非线性、大时滞工业过程。萃取过程通常由几十甚至上百个萃取槽串联而成，且由于各组搅拌器之间的搅拌速率、搅拌时间等各不相同，导致物料与萃取剂、洗涤剂在与之对应的萃取槽组中的反应与传输时间各不相同，形成了多重时滞。由于多重时滞的存在，使得系统输出量不能及时反映系统输入设定值和控制信号的变化，即使调节器和调节机构没有时间延迟，也需要经过生产过程本身的多重滞后时间以后，才引起被调量变化，造成控制器的调节作用不能实时作用到生产过程。由于调节作用不及时，导致系统输出超调量大，调节时间长，引起系统的过渡过程变长，使系统的稳定性降低。同时，现有的稀土萃取过程建模研究中未考虑时滞或只将时滞作为常数代入，导致所建模型与实际稀土萃取工业存在一定的差距。上述现象直接或间接影响了产品的质量和控制的品质，造成能源和资源的大量浪费。


技术实现要素：

4.为解决现有技术存在的上述问题，本发明提供了一种稀土萃取分离过程的时滞辨识方法和系统。
5.为实现上述目的，本发明提供了如下方案：一种稀土萃取分离过程的时滞辨识方法，包括：获取时滞序列和时基序列；基于多种稀土元素组分含量生成参考序列，并基于多种过程变量生成比较序列；对所述参考序列和所述比较序列进行预处理，得到预处理数据；根据所述预处理数据得到灰色关联度；基于所述灰色关联度确定与所述参考序列相关度最高的比较序列；将与所述参考序列相关度最高的比较序列作为过程变量构成原始数据矩阵；所述原始数据矩阵为a：a=[a0,a1,...an]；式中，a0为入口过程变量的数据序列，ai为第i个工作单元的出口过程变量的数据序列，i=1,2,...,n；基于所述时滞序列、所述时基序列和所述原始数据矩阵构造时效关联数据矩阵；基于所述时效关联数据矩阵生成时效关联分析矩阵；确定所述时效关联分析矩阵的h
∞
范数；确定与最大的所述h
∞
范数对应的时滞序列为待求的多重时滞。
[0006]
优选地，所述根据所述预处理数据得到灰色关联度，具体包括：
确定第i种过程变量与第j种稀土组分含量间的关联系数；根据所述关联系数确定每种过程变量与每种稀土组分含量间的关联度，并将所述关联度作为灰色关联度。
[0007]
优选地，所述基于所述时滞序列、所述时基序列和所述原始数据矩阵构造时效关联数据矩阵，具体包括：第t时刻开始，从入口过程变量的数据序列a0中选择f个连续采样数据，得到第一数据时间序列；所述第一数据时间序列为x0：；基于所述时滞序列确定原始数据矩阵中相邻两个数据序列间的时滞；基于相邻两个数据序列间的时滞，依次得到第二数据时间序列；所述第二数据时间序列为xi：；基于所述第一数据时间序列和所述第二数据时间序列构造得到时效关联数据矩阵；所述时效关联数据矩阵为x：；其中，，为第i个工作单元的时滞所对应的时基，为时滞，t为采样周期，为采样数据。
[0008]
优选地，所述基于所述时效关联数据矩阵生成时效关联分析矩阵，具体包括：获取所述时效关联数据矩阵的协方差矩阵和所述时效关联数据矩阵的标准差；基于所述协方差矩阵和所述标准差生成时效关联分析矩阵；所述时效关联分析矩阵为r
x
：，其中，cov(x)为时效关联数据矩阵的协方差矩阵，为时效关联数据矩阵中第i列的标准差。
[0009]
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的稀土萃取分离过程的时滞辨识方法，在基于多种稀土元素组分含量和多种过程变量生成参考序列和比较序列后，再对参考序列和比较序列进行预处理，以便确定灰色关联度；接着，基于灰色关联度确定与参考序列相关度最高的比较序列，将这一比较序列作为过程变量构成原始数据矩阵；然后，基于获取的时滞序列、时基序列和原始数据矩阵构造时效关联数据矩阵，以生成时效关联分析矩阵；最后，利用矩阵h
∞
范数定量描述时效关联分析矩阵的特性，以确定与最大的h
∞
范数对应的时滞序列为待求的多重时滞，基于这一多重时滞进行稀土萃取分离过程的控制以显著提高所萃取稀土的质量，同时能够解决现有技术存在的所建模型与实际稀土萃取工业存在差距的问题，并填补稀土萃取分离领域中时滞辨识的空白。
[0010]
对应于上述提供的稀土萃取分离过程的时滞辨识方法，本发明还提供了以下实施系统：一种稀土萃取分离过程的时滞辨识系统，包括：序列获取模块，用于获取时滞序列和时基序列；序列生成模块，用于基于多种稀土元素组分含量生成参考序列，并基于多种过程变量生成比较序列；数据预处理模块，用于对所述参考序列和所述比较序列进行预处理，得到预处理数据；关联度确定模块，用于根据所述预处理数据得到灰色关联度；比较序列选择模块，用于基于所述灰色关联度确定与所述参考序列相关度最高的比较序列；第一矩阵构建模块，用于将与所述参考序列相关度最高的比较序列作为过程变量构成原始数据矩阵；所述原始数据矩阵为a：a=[a0,a1,...an]；式中，a0为入口过程变量的数据序列，ai为第i个工作单元的出口过程变量的数据序列，i=1,2,...,n；第二矩阵构建模块，用于基于所述时滞序列、所述时基序列和所述原始数据矩阵构造时效关联数据矩阵；第三矩阵构建模块，用于基于所述时效关联数据矩阵生成时效关联分析矩阵；范数确定模块，用于确定所述时效关联分析矩阵的h
∞
范数；多重时滞确定模块，用于确定与最大的所述h
∞
范数对应的时滞序列为待求的多重时滞。
[0011]
优选地，所述关联度确定模块包括：关联系数确定单元，用于确定第i种过程变量与第j种稀土组分含量间的关联系数；关联度确定单元，用于根据所述关联系数确定每种过程变量与每种稀土组分含量间的关联度，并将所述关联度作为灰色关联度。
[0012]
优选地，所述第三矩阵构建模块包括：获取单元，用于获取所述时效关联数据矩阵的协方差矩阵和所述时效关联数据矩阵的标准差；第二矩阵构建单元，用于基于所述协方差矩阵和所述标准差生成时效关联分析矩阵；所述时效关联分析矩阵为r
x
：，其中，cov(x)为时效关联数据矩阵的协方差矩阵，为时效关联数据矩阵中第i列的标准差。
[0013]
因本发明提供的稀土萃取分离过程的时滞辨识系统实现的技术效果与上述提供的稀土萃取分离过程的时滞辨识方法实现的技术效果相同，故在此不再进行赘述。
附图说明
[0014]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施
例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0015]
图1为本发明提供的稀土萃取分离过程的时滞辨识方法的流程图；图2为本发明实施例提供的25级萃取槽时滞辨识结果图；图3为本发明实施例提供的25级萃取槽组分含量预测误差对比图；图4为本发明提供的稀土萃取分离过程的时滞辨识系统的结构示意图。
具体实施方式
[0016]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0017]
本发明的目的是提供一种稀土萃取分离过程的时滞辨识方法和系统，能够解决现有技术存在的所建模型与实际稀土萃取工业存在差距的问题，进而显著提高所萃取稀土的质量，并填补稀土萃取分离领域中时滞辨识的空白。
[0018]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0019]
如图1所示，本发明提供的稀土萃取分离过程的时滞辨识方法，包括：步骤100：获取时滞序列和时基序列。时滞序列及时基序列的构造过程为：设采样周期为t，记稀土萃取分离过程的某个过程变量在n个工作单元的时滞序列为：，式中，i=1,2,...,n，，为第i个工作单元的时滞。
[0020]
则时基序列为：，式中， di为第i单元时滞所对应的时基，为无量纲整数。
[0021]
步骤101：基于多种稀土元素组分含量生成参考序列，并基于多种过程变量生成比较序列。例如，通过k次采样获取n种稀土元素组分含量和m种过程变量数据，在进行相关性分析时将稀土元素组分含量作为参考序列：，式中，，，表示第j种稀土元素组分含量。将过程变量数据作为比较序列：，式中，，，表示第i种过程变量数据。
[0022]
步骤102：对参考序列和比较序列进行预处理，得到预处理数据。其中，进行数据预处理的计算如下：处理的计算如下：式中，为处理后的参考序列数据，为处理后的比较序列数据。
[0023]
步骤103：根据预处理数据得到灰色关联度。例如，计算预处理数据的关联系数，具
体为：式中，为第i种过程变量对应于第j种稀土元素组分含量的关联系数，ρ称为分辨系数。ρ越小，分辨力越大，一般ρ的取值区间为[0,1]，通常取为0.5。
[0024]
根据所求关联系数就能得到每种过程变量与每种稀土元素组分含量的关联度r
ij
，具体计算为：。
[0025]
步骤104：基于灰色关联度确定与参考序列相关度最高的比较序列。关联度按大小排序，如果r
11
《r
21
，则说明比较序列与第1种稀土元素组分含量的相关程度高于比较序列，进而就可以选择出与参考序列相关度最高的比较序列。
[0026]
步骤105：将与参考序列相关度最高的比较序列作为过程变量构成原始数据矩阵。原始数据矩阵为a：a=[a0,a1,...an]；式中，a0为入口过程变量的数据序列，ai为第i个工作单元的出口过程变量的数据序列，i=1,2,...,n。
[0027]
步骤106：基于时滞序列、时基序列和原始数据矩阵构造时效关联数据矩阵。具体的：在第t时刻开始从a0中选择f个连续采样数据，得到数据时间序列：式中，，以此保证时效关联矩阵中的数据包含物料从入口流向出口的整个流程周期的信息。
[0028]
a1相对于a0的时滞为，所以取值原则为从a1中取自时刻起的f个连续采样数据构成数据时间序列x1：其余工作单元按照上述方法和对应时滞进行取值，即：最后，依据时滞序列构造的时效关联数据矩阵为：步骤107：基于时效关联数据矩阵生成时效关联分析矩阵。其中，对于多个时间序列之间的时效关联性由时效关联分析矩阵描述。时效关联分析矩阵为：
式中，cov(x)表示求取时效关联数据矩阵x的协方差矩阵，表示时效关联数据矩阵x中第i列的标准差。
[0029]
步骤108：确定时效关联分析矩阵的h
∞
范数。
[0030]
步骤109：确定与最大的h
∞
范数对应的时滞序列为待求的多重时滞。
[0031]
具体的，利用矩阵h
∞
范数定量描述时效关联分析矩阵的特性，求取时效关联分析矩阵的h
∞
范数，令其最大h
∞
范数为β：。
[0032]
当h
∞
范数取最大值时，所对应的时滞序列即为待求的多重时滞。
[0033]
在该实施例中，工作单元是萃取槽，时基序列为无量纲整数，时滞序列为时基序列的整数倍。
[0034]
下面以某稀土萃取分离企业的25级镨/钕萃取分离生产过程为例，基于上述提供的稀土萃取分离过程的时滞辨识方法进行时滞辨识。
[0035]
在镨/钕串级萃取工业生产过程中，随着时间的变化不同槽体内镨/钕的组分含量会产生变化，从而导致颜色发生改变。因此，选用具有颜色特征的过程变量来辨识时滞。利用灰色关联分析的结果如表1所示，其中，b分量的关联度最高，h分量的关联度最低。因此，将b分量数据作为过程变量，选取采样周期为5 min 的连续稳定生产的190组数据。由于实际工业现场每5级萃取槽共用一组搅拌器，可认为每5级为一个单元组，将25级萃取槽构造成5组单元进行辨识。根据萃取剂的流动方向，将入口采样数据及每组出口采样数据分别记为a0、a1、a2、a3、a4和a5，由此得到原始数据矩阵a，部分原始数据矩阵如表2所示。
[0036]
根据现场经验，萃取分离工艺每级之间的时滞范围为[3,8]分钟，鉴于上述构造方式则每单元组的时滞范围为[15,40]分钟。因此，时基序列取值范围为[3,8]。依据上述构造的时效关联数据矩阵x，将时滞序列求解量化为最大h
∞
范数求解。
[0037]
采用枚举法求解最大h
∞
范数。如图2所示为枚举法求解结果，其最大h
∞
范数为2.7287，所对应的时基序列为[8 3 6 6 6]，因为采样周期为5min，则5个单元组所辨识时滞为[40 15 30 30 30]，即25级镨/钕萃取分离生产过程的时滞为[8 8 8 8 8 3 3 3 3 3 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 ]。
[0038]
为了验证本发明所提供的时滞辨识方法的可行性，通过小波神经网络分别利用辨识后的数据及未辨识的数据在同一预测模型下进行验证。从表3和图3可知，辨识后数据的预测指标均为最优，并且最大相对误差小于5%满足实际要求，验证了时滞辨识方法的可行性。
[0039]
基于上述描述，相对于现有技术，本发明具有以下优点：1、本发明方法填补了稀土萃取分离领域中时滞辨识的空白。
[0040]
2、本发明能够为后续稀土萃取分离过程建模的研究提供一种新的思路。基于本发
明辨识稀土萃取过程的每一级时滞，并用于改善当前稀土萃取过程的数学模型所存在的未考虑时滞或只将时滞作为常数代入，导致所建模型与实际稀土萃取工业存在一定差距的问题，以此提高建模效果﹑降低建模误差。
[0041]
3、本发明能使稀土萃取分离工业现场的大量数据得到有效利用。通过时滞辨识不仅能够筛选出最符合实际工业过程的数据，而且能够将不同类型的数据进行匹配，也就是说，使用某种类型的数据进行辨识后，再利用数学模型就可以得到另外一种类型的数据在该时滞下的数值。
[0042]
4、本发明能够提高工业现场控制的有效性。在稀土萃取分离过程中，通常以一定大小对控制量进行操作，而萃取槽出口所测得的稀土元素组分含量，实际上反映的是该段萃取槽滞后时间以前的稀土元素组分含量变化情况，通过时滞辨识可以反推萃取槽出口的真实稀土元素组分含量，从而有针对性的调节控制量的大小，以此减少生产原材料的浪费，使稀土萃取分离企业节能降耗﹑增产增效，提高企业竞争力和可持续发展能力。
[0043]
对应于上述提供的稀土萃取分离过程的时滞辨识方法，本发明还提供了以下实施系统：其中，一种稀土萃取分离过程的时滞辨识系统，如图4所示，包括：序列获取模块1，用于获取时滞序列和时基序列。
[0044]
序列生成模块2，用于基于多种稀土元素组分含量生成参考序列，并基于多种过程变量生成比较序列。
[0045]
数据预处理模块3，用于对参考序列和比较序列进行预处理，得到预处理数据。
[0046]
关联度确定模块4，用于根据预处理数据得到灰色关联度。
[0047]
比较序列选择模块5，用于基于灰色关联度确定与参考序列相关度最高的比较序列。
[0048]
第一矩阵构建模块6，用于将与参考序列相关度最高的比较序列作为过程变量构成原始数据矩阵。原始数据矩阵为a：a=[a0,a1,...an]；式中，a0为入口过程变量的数据序列，ai为第i个工作单元的出口过程变量的数据序列，i=1,2,...,n。
[0049]
第二矩阵构建模块7，用于基于时滞序列、时基序列和原始数据矩阵构造时效关联数据矩阵。
[0050]
第三矩阵构建模块8，用于基于时效关联数据矩阵生成时效关联分析矩阵。
[0051]
范数确定模块9，用于确定时效关联分析矩阵的h
∞
范数。
[0052]
多重时滞确定模块10，用于确定与最大的h
∞
范数对应的时滞序列为待求的多重时滞。
[0053]
其中，关联度确定模块4包括：关联系数确定单元，用于确定第i种过程变量与第j种稀土组分含量间的关联系数。
[0054]
关联度确定单元，用于根据关联系数确定每种过程变量与每种稀土组分含量间的关联度，并将关联度作为灰色关联度。
[0055]
第三矩阵构建模块8包括：获取单元，用于获取时效关联数据矩阵的协方差矩阵和时效关联数据矩阵的标准差。
[0056]
第二矩阵构建单元，用于基于协方差矩阵和标准差生成时效关联分析矩阵。时效关联分析矩阵为r
x
：，其中，cov(x)为时效关联数据矩阵的协方差矩阵，为时效关联数据矩阵中第i列的标准差。
[0057]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0058]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。