1.一种稀土萃取过程组分含量的预测控制方法,其特征在于,所述预测控制方法包括如下步骤:
建立稀土萃取过程Elman神经网络模型;
通过所述稀土萃取过程Elman神经网络模型预测稀土萃取过程的预测输出值;
通过稳态优化计算得到最优设定值;
基于所述预测输出值和所述最优设定值,动态预测萃取剂流量增量和洗涤剂流量增量;
根据所述萃取剂流量增量和所述洗涤剂流量增量控制稀土萃取过程组分含量;
所述通过稳态优化计算得到最优设定值,具体包括:建立稀土萃取过程组分含量的经济性能优化目标函数:min M=c1u1+c2u2,T
其中,u1和u2分别表示萃取剂流量和洗涤剂流量,u=[u1,u2]表示T
操作变量,c1和c2分别表示输入单位流量萃取剂和输入单位流量洗涤剂的成本,c=[c1,c2]表示成本变量,umax和umin分别为操作变量u的上限约束和下限约束,Δu表示操作变量增量,Δumax和Δumin分别表示为操作变量增量Δu的上限约束和下限约束;y1表示萃取阶段组分T
含量,y1表示洗涤阶段组分含量,y=[y1,y2]表示萃取过程的被控变量;ymax和ymin是由优化计算得到的满足控制要求的上限和下限;
求解所述经济性能优化目标函数,得到最优设定值。
2.根据权利要求1所述的稀土萃取过程组分含量的预测控制方法,其特征在于,所述建立稀土萃取过程Elman神经网络模型,具体包括:建立Elman神经网络模型: 其中,u(k‑1)表示Elman神T
经网络模型输入,u(k‑1)=[u1(k‑1),u2(k‑1)] ;y(k)表示预测输出值,y(k)=[y1(k),y2T
(k)] ,y1(k)表示萃取阶段的预测输出值,y2(k)表示洗涤阶段的预测输出值;x(k)表示隐含
1 2
层的输出;xc(k)表示结构层的输出;w表示连接结构层与隐含层之间的权值;w表示连接输3
入层和隐含层之间的权值;w表示连接隐含层和输出层之间的权值;θ1和θ2分别表示输入层和隐含层的阈值;f(*)表示隐含层神经元的传递函数,g(*)表示输出层传递函数;
训练所述Elman神经网络模型,获得连接结构层与隐含层之间的权值、连接输入层和隐含层之间的权值、连接隐含层和输出层之间的权值、输入层的阈值和输出层的阈值,得到稀土萃取过程Elman神经网络模型。
3.根据权利要求1所述的一种稀土萃取过程组分含量的预测控制方法,其特征在于,所述基于所述预测输出值和所述最优设定值,动态预测萃取剂流量增量和洗涤剂流量增量,具体包括:
基于所述预测输出值和所述最优设定值,建立组分含量偏差优化目标函数:其中,P表示最大预测长度,q(j)表示超前j步的误差加权系数,y(k+j)表示超前j步的预测输出值,w(k+j)表示超前j步的跟踪参考轨迹;w(k+j)=αw(k+j‑1)+(1‑α)yr(k+j),α为柔化因子,0<α<1,w(k+j‑1)表示超前j‑1步的跟踪参考轨迹,yr(k+j)表示超前j步的最优设定值;M表示控制长度,r(j)表示超前j步的控制加权系数,Δu(k+j‑1)表示超前j‑1步的控制增量;
求解所述组分含量偏差优化目标函数,获得萃取剂流量增量和洗涤剂流量增量。
4.根据权利要求3所述的一种稀土萃取过程组分含量的预测控制方法,其特征在于,所述求解所述组分含量偏差优化目标函数,获得萃取剂流量增量和洗涤剂流量增量,具体包括:
将所述组分含量偏差优化目标函数矢量化,得到所述组分含量偏差优化目标函数的矢T T
量形式:J=(Y‑W) Q(Y‑W)+RΔU ΔU;其中,W表示跟踪参考轨迹向量,W=[w(k+1),w(k+T
2),...,w(k+P)] ,Y表示预测输出值向量,ΔU表示控制增量向量,Q表示目标加权矩阵,R表示控制加权矩阵;
将Y=GΔU+F代入所述组分含量偏差优化目标函数的矢量形式,得到求解函数,其中,F=[f(k+1),f(k+T
2),...,f(k+P)]为稀土萃取过程Elman神经网络模型的隐含层神经元的传递函数值向量,f(k+1),f(k+2),...,f(k+P)分别表示超前1步、2步、P步稀土萃取过程Elman神经网络模型(2×M)×(2×M)
的隐含层神经元的传递函数值,G∈R 表示控制矩阵;
* * T ‑1 T
令 求解所述求解函数,得控制增量最优值ΔU ,ΔU =(GQG+RI) QG (W‑F),获得萃取剂流量增量和洗涤剂流量增量,其中,I为单位矩阵。
5.一种稀土萃取过程组分含量的预测控制系统,其特征在于,所述预测控制系统包括:模型建立模块,用于建立稀土萃取过程Elman神经网络模型;
输出值预测模块,用于通过所述稀土萃取过程Elman神经网络模型预测稀土萃取过程的预测输出值;
最优设定值计算模块,用于通过稳态优化计算得到最优设定值;
组分含量增量预测模块,用于基于所述预测输出值和所述最优设定值,动态预测萃取剂流量增量和洗涤剂流量增量;
过程控制模块,用于根据所述萃取剂流量增量和所述洗涤剂流量增量控制稀土萃取过程组分含量;
所述最优设定值计算模块,具体包括:经济性能优化目标函数建立子模块,用于建立稀土萃取过程组分含量的经济性能优化目标函数:min M=c1u1+c2u2, 其中,u1和u2分别表示萃取剂流量和洗T
涤剂流量,u=[u1,u2]表示操作变量,c1和c2分别表示输入单位流量萃取剂和输入单位流量T
洗涤剂的成本,c=[c1,c2]表示成本变量,umax和umin分别为操作变量u的上限约束和下限约束,Δu表示操作变量增量,Δumax和Δumin分别表示为操作变量增量Δu的上限约束和下限T
约束;y1表示萃取阶段组分含量,y1表示洗涤阶段组分含量,y=[y1,y2] 表示萃取过程的被控变量;ymax和ymin是由优化计算得到的满足控制要求的上限和下限;
经济性能优化目标函数求解子模块,用于求解所述经济性能优化目标函数,得到最优设定值。
6.根据权利要求5所述的一种稀土萃取过程组分含量的预测控制系统,其特征在于,所述模型建立模块,具体包括:
模型建立子模块,用于建立Elman神经网络模型: 其T
中,u(k‑1)表示Elman神经网络模型输入,u(k‑1)=[u1(k‑1),u2(k‑1)] ;y(k)表示预测输出T
值,y(k)=[y1(k),y2(k)] ,y1(k)表示萃取阶段的预测输出值,y2(k)表示洗涤阶段的预测输1
出值;x(k)表示隐含层的输出;xc(k)表示结构层的输出;w表示连接结构层与隐含层之间的
2 3
权值;w 表示连接输入层和隐含层之间的权值;w 表示连接隐含层和输出层之间的权值;θ1和θ2分别表示输入层和隐含层的阈值;f(*)表示隐含层神经元的传递函数,g(*)表示输出层传递函数;
训练子模块,用于训练所述Elman神经网络模型,获得连接结构层与隐含层之间的权值、连接输入层和隐含层之间的权值、连接隐含层和输出层之间的权值、输入层的阈值和输出层的阈值,得到稀土萃取过程Elman神经网络模型。
7.根据权利要求5所述的一种稀土萃取过程组分含量的预测控制系统,其特征在于,所述组分含量增量预测模块,具体包括:组分含量偏差优化目标函数建立子模块,用于基于所述预测输出值和所述最优设定值,建立组分含量偏差优化目标函数: 其中,P表示最大预测长度,q(j)表示超前j步的误差加权系数,y(k+j)表示超前j步的预测输出值,w(k+j)表示超前j步的跟踪参考轨迹;w(k+j)=αw(k+j‑1)+(1‑α)yr(k+j),α为柔化因子,0<α<1,w(k+j‑1)表示超前j‑1步的跟踪参考轨迹,yr(k+j)表示超前j步的最优设定值;M表示控制长度,r(j)表示超前j步的控制加权系数,Δu(k+j‑1)表示超前j‑1步的控制增量;
组分含量偏差优化目标函数求解子模块,用于求解所述组分含量偏差优化目标函数,获得萃取剂流量增量和洗涤剂流量增量。
8.根据权利要求7所述的一种稀土萃取过程组分含量的预测控制系统,其特征在于,所述组分含量偏差优化目标函数求解子模块,具体包括:函数矢量化单元,用于将所述组分含量偏差优化目标函数矢量化,得到所述组分含量T T
偏差优化目标函数的矢量形式:J=(Y‑W) Q(Y‑W)+RΔU ΔU;其中,W表示跟踪参考轨迹向T
量,W=[w(k+1),w(k+2),...,w(k+P)] ,Y表示预测输出值向量,ΔU表示控制增量向量,Q表示目标加权矩阵,R表示控制加权矩阵;
求解函数获取单元,用于将Y=GΔU+F代入所述组分含量偏差优化目标函数的矢量形式,得到求解函数, 其中,F
T
=[f(k+1),f(k+2),...,f(k+P)]为稀土萃取过程Elman神经网络模型的隐含层神经元的传递函数值向量,f(k+1),f(k+2),...,f(k+P)分别表示超前1步、2步、P步稀土萃取过程(2×M)×(2×M)
Elman神经网络模型的隐含层神经元的传递函数值,G∈R 表示控制矩阵;
* *
求解单元,用于令 求解所述求解函数,得控制增量最优值ΔU ,ΔU =T ‑1 T
(GQG+RI) QG(W‑F),获得萃取剂流量增量和洗涤剂流量增量,其中,I为单位矩阵。