bp神经网络的稀土萃取过程组分含量软测量研究.docVIP

基于QPSO-ELM的稀土萃取过程组分含量预测研究 刘飞飞a，古帅奇b，刘龙细b，高堂盼b （江西理工大学，a.电气工程及自动化学院，b.机电工程学院，江西赣州 341000） 摘要：分析了稀土串级萃取分离的工艺流程，探讨了QPSO优化ELM参数的方法对稀土萃取槽中离子组分含量的预测精度与速度问题，并运用该方法对某厂镨/钕萃取中镨工艺参数的生产数据进行了现场预测分析。结果表明，该软测量方法预测速度快、精度较高，符合稀土萃取生产检测要求。 关键词：稀土萃取；组分含量；QPSO-ELM优化；工艺流程 中图分类号：TF845 文献标志码：A 文章编号： TF845 文献标志码：A 文章编号：1007-7545（2017）05-0000-00 Prediction of Component Contents in Rare Earth Extraction Based on QPSO-ELM LIU Fei-feia, GU Shuai-qib, LIU Long-xib, GAO Tang-panb (a. School of Electrical Engineering and Automation, b. School of Mechanical and Electrical Engineering, Jiangxi University of Science and Technology, Ganzhou 341000, Jiangxi, China) Abstract：Process flow of rare earth extraction and separation was analyzed. Prediction accuracy and speed of ion component in rare earth extraction tank were investigated by QPSO optimization of ELM parameters. The production data of praseodymium in praseodymium/neodymium extraction of one factory was predicted and analyzed by this method. The results show that with advantages of fast speed and high precision, the method meets the requirement of production of rare earth extraction. Key words：rare earth extraction; component content; QPSO-ELM optimization; process flow 我国的稀土萃取分离技术研究虽处于世界领先，但国内大部分稀土萃取分离过程离子组分含量检测仍然存在检测手段单一、检测的自动化水平低、检测设备价格昂贵且稳定性低等问题，结果造成了整个稀土行业生产效率及资源利用率不高、品质不稳定、环境污染严重等问题[1-3]，因此提出一种精度高、速度快、可靠性和稳定性好的稀土萃取过程元素组分含量预测方法非常有必要。 近年来人们针对稀土萃取分离过程离子组分含量检测问题提出了许多组分含量软测量的方法，例如RBF（Radial Basis Function）神经网络、LS-SVM（Least Squares Support Vector Machines)等方法[4]，但这些软测量模型对模型的训练时间关注较少，且实时性不足本文在分析稀土萃取分离工艺流程及其他学者提出的软测量模型基础上，提出了基于QPSO-ELM的软测量方法，ELM（极限学习机）在建立模型时只需要设置隐藏节点的数目，使ELM具有能快速学习的特点，同时通过QPSO（量子粒子群算法）约束ELM的随机输入权值和阈值能有效提高预测精度及速度，使其能很好适应高实时性及高精度的场合。 1 稀土萃取分离工艺流程 目前国内针对稀土萃取分离单一元素主要采用的方法是溶剂萃取法及串级萃取法，其原理是将稀土溶液与萃取剂相互混合得到较高纯度的稀土元素萃取液，再经过反萃阶段将稀土元素洗出[]。其萃取工艺流程如图1所示。 图1 稀土串级萃取工艺流程图 Fig.1 rocess flow diagram of cascade extraction of RE 收稿日期：2017-1-11 作者简介：刘飞飞，男，江西赣州人，博士，教授 由煤油和氨水及P507按比例混合制备的萃取剂，左向右流动，第n级加入稀土料液，第n+m级加入洗酸液，向左流动，第n+m+k级加入反酸剂，反酸剂向左流