一种稀土元素含量变化预测方法及系统技术方案

本发明专利技术涉及一种稀土元素含量变化预测方法，包括：获取稀土串级萃取过程中数据集；数据集包括无标签数据子集和有标签数据子集，无标签数据子集包括萃取工况下特征数据；构建稀疏自编码多分支网络模型；稀疏自编码多分支网络模型模拟稀土串级萃取过程的组分含量变化；根据无标签数据子集，对稀疏编码主网络进行无监督预训练；为各分支网络分别构建损失函数；基于各分支网络的损失函数，采用误差反向传播算法与随机梯度下降算法，根据有标签数据子集对预训练后的稀疏自编码多分支网络模型进行有监督训练，输出稀土元素含量变化预测模型；利用稀土元素含量变化预测模型对稀土串级萃取过程中稀土元素组分含量进行预测。本发明专利技术提高了预测的准确性。了预测的准确性。了预测的准确性。

【技术实现步骤摘要】
一种稀土元素含量变化预测方法及系统


[0001]本专利技术涉及稀土元素含量检测
，特别是涉及一种稀土元素含量变 化预测方法及系统。

技术介绍

[0002]稀土元素作为重要的战略资源，被大规模使用在钢铁等传统产业以及特种 合金、电致发光、闪烁晶体、永磁、航空航天等13个领域的40余个行业，被 称为“新材料之母”。由于稀土元素的战略地位显著，中国不断投入对稀土萃取 分离理论的研究，直至“稀土串级萃取理论”的提出，中国稀土分离工艺后来居 上，逐步发展至世界领先水平。
[0003]稀土萃取工业过程可以看作是一种具有复杂工况变化特性的多变量系统。 虽然已有先进的分离工艺做支撑，但由于硬件技术的不匹配，目前实际生产环 境中缺乏实时的监测仪器，现有生产还是通过离线化验的方式观察组分含量变 化。由于稀土萃取分离过程存在非线性、强耦和以及大时滞的特点，想要掌握 萃取生产线中的各级组分含量变化，离线化验往往需要花费数小时，若是得到 的组分值未达到工艺设定的出口要求，此时再根据新工况调节工艺参数已经造 成了较大的原料浪费。由此，若能设计一种稀土萃取反应过程的模拟方法，使 得操作人员可以根据当前工况条件，实时模拟萃取过程各级稀土元素的组分含 量变化，作为后续决策的参考，这对于防止原料浪费、提升产品质量、优化工 艺流程有重要意义。
[0004]对于稀土萃取过程组分变化模拟方法的研究，主要有基于机理建模和数据 驱动建模两类方法。机理建模是通过物理化学反应原理建立萃取过程数学模 型，这需要一定的行业内专家经验，且由于稀土萃取分离过程的复杂性较高， 目前还没有一种机理模型能完全表达稀土萃取分离过程。另一方面，随着分布 式数据采集系统的普遍使用，基于历史数据训练的数据驱动建模方法逐渐流 行，它不要求专家经验，有足够的生产数据即可训练模型。稀土萃取过程数据 驱动建模方法中，由于深度学习方法性能的优越性，基于深度神经网络建模是 目前主流。但是现有方法中，都是采用单向网络，稀土元素的各级组分含量值 都在最后一层网络输出层显示，各级组分含量预测是采用共同的隐含层特征， 这样忽略了稀土萃取过程相邻萃取级间的组分含量变化存在强耦合的实际特 性，且由于神经网络隐含层参数普遍采用随机初始化赋值，训练可能会陷入局 部最小值，影响模型鲁棒性，所以现有基于单通道前馈网络的建模方法不能完 全表达复杂的多级稀土萃取过程。

技术实现思路

[0005]本专利技术的目的是提供一种稀土元素含量变化预测方法及系统，提高了预测 的准确性。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]一种稀土元素含量变化预测方法，包括：
[0008]获取稀土串级萃取过程中数据集；所述数据集包括无标签数据子集和有标 签数
据子集，所述无标签数据子集包括萃取工况下特征数据，所述有标签数据 子集包括萃取工况下特征数据和与特征数据对应的组分含量，所述特征数据为 工艺特征；
[0009]构建稀疏自编码多分支网络模型；所述稀疏自编码多分支网络模型包括稀 疏编码主网络和多个分支网络，所述分支网络包括特征融合层和输出层，所述 稀疏编码主网络包括输入层和依次相连的多级隐含层，各级隐含层均连接一个 分支网络，所述隐含层的级数与稀土串级萃取级数相同，且各级隐含层的连接 顺序与稀土串级萃取的萃取流程对应；特征融合层i的输出连接特征融合层i+1 的输入；
[0010]根据所述无标签数据子集，对所述稀疏编码主网络进行无监督预训练，确 定所述稀疏编码主网络的初始参数，获得预训练后的稀疏自编码多分支网络模 型；
[0011]为各所述分支网络分别构建损失函数；
[0012]基于各所述分支网络的损失函数，采用误差反向传播算法与随机梯度下降 算法，根据所述有标签数据子集对所述预训练后的稀疏自编码多分支网络模型 进行有监督训练，输出稀土元素含量变化预测模型；
[0013]利用所述稀土元素含量变化预测模型对稀土串级萃取过程中稀土元素组 分含量进行预测。
[0014]可选地，所述无标签数据子集和所述有标签数据子集中特征数据为采用最 大最小值标准化处理后的特征数据。
[0015]可选地，所述特征数据包括各组分间相对分离系数、洗涤剂流量、萃取剂 流量和进料方式。
[0016]可选地，所述组分含量包括有机相易萃组分含量值和水相难萃组分含量 值。
[0017]可选地，所述稀疏编码主网络的初始参数包括各隐含层的特征提取权重矩 阵和偏差向量参数。
[0018]可选地，所述稀疏自编码多分支网络模型的分支输出的特征传递表示为：
[0019][0020]其中，X表示特征数据，x
p
表示第p个特征值，表示分支网络i的输出， H
i
表示第i级隐含层输出的抽象特征，W
i
表示输入层至隐含层i的特征提取权 重矩阵，B
i
表示输入层至隐含层i的偏差向量参数，F
i
()表示非线性激活函数； 而H
bi
为分支网络i的输入特征，ω
i
表示分支网络i的回归层的权重，b
i
表示分 支网络i的回归层的偏差参数，g
i
()表示非线性激活函数。
[0021]可选地，各所述分支网络的损失函数表示为：
[0022][0023]其中，表示分支网络i的优化目标函数，表示分 支网络i的预测输出，y
(i)
表示第i级组分含量实际值，z表示所述有标签数据 子集的样本数量，θ
i
表示所述损失函数中参数，θ
i
＝(ω
*
,b
*
)，ω
*
表示隐含层权 重矩阵，b
*
表示隐含层偏差系数，n+m表示稀土串级萃取总级数，n表示萃取 段级数，m表示洗涤段级数。
[0024]本专利技术还公开了一种稀土元素含量变化预测系统，其特征在于，包括：
[0025]数据集获取模块，用于获取稀土串级萃取过程中数据集；所述数据集包括 无标签数据子集和有标签数据子集，所述无标签数据子集包括萃取工况下特征 数据，所述有标签数据子集包括萃取工况下特征数据和与特征数据对应的组分 含量，所述特征数据为工艺特征；
[0026]网络模型构建模块，用于构建稀疏自编码多分支网络模型；所述稀疏自编 码多分支网络模型包括稀疏编码主网络和多个分支网络，所述分支网络包括特 征融合层和输出层，所述稀疏编码主网络包括输入层和依次相连的多级隐含 层，各级隐含层均连接一个分支网络，所述隐含层的级数与稀土串级萃取级数 相同，且各级隐含层的连接顺序与稀土串级萃取的萃取流程对应；特征融合层 i的输出连接特征融合层i+1的输入；
[0027]无监督预训练模块，用于根据所述无标签数据子集，对所述稀疏编码主网 络进行无监督预训练，确定所述稀疏编码主网络的初始参数，获得预训练后的 稀疏自编码多分支网络模型；
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种稀土元素含量变化预测方法，其特征在于，包括：获取稀土串级萃取过程中数据集；所述数据集包括无标签数据子集和有标签数据子集，所述无标签数据子集包括萃取工况下特征数据，所述有标签数据子集包括萃取工况下特征数据和与特征数据对应的组分含量，所述特征数据为工艺特征；构建稀疏自编码多分支网络模型；所述稀疏自编码多分支网络模型包括稀疏编码主网络和多个分支网络，所述分支网络包括特征融合层和输出层，所述稀疏编码主网络包括输入层和依次相连的多级隐含层，各级隐含层均连接一个分支网络，所述隐含层的级数与稀土串级萃取级数相同，且各级隐含层的连接顺序与稀土串级萃取的萃取流程对应；特征融合层i的输出连接特征融合层i+1的输入；根据所述无标签数据子集，对所述稀疏编码主网络进行无监督预训练，确定所述稀疏编码主网络的初始参数，获得预训练后的稀疏自编码多分支网络模型；为各所述分支网络分别构建损失函数；基于各所述分支网络的损失函数，采用误差反向传播算法与随机梯度下降算法，根据所述有标签数据子集对所述预训练后的稀疏自编码多分支网络模型进行有监督训练，输出稀土元素含量变化预测模型；利用所述稀土元素含量变化预测模型对稀土串级萃取过程中稀土元素组分含量进行预测。2.根据权利要求1所述的稀土元素含量变化预测方法，其特征在于，所述无标签数据子集和所述有标签数据子集中特征数据为采用最大最小值标准化处理后的特征数据。3.根据权利要求1所述的稀土元素含量变化预测方法，其特征在于，所述特征数据包括各组分间相对分离系数、洗涤剂流量、萃取剂流量和进料方式。4.根据权利要求1所述的稀土元素含量变化预测方法，其特征在于，所述组分含量包括有机相易萃组分含量值和水相难萃组分含量值。5.根据权利要求1所述的稀土元素含量变化预测方法，其特征在于，所述稀疏编码主网络的初始参数包括各隐含层的特征提取权重矩阵和偏差向量参数。6.根据权利要求1所述的稀土元素含量变化预测方法，其特征在于，所述稀疏自编码多分支网络模型的分支输出的特征传递表示为：其中，X表示特征数据，x
p
表示第p个特征值，表示分支网络i的输出，H
i
表示第i级隐含层输出的抽象特征，W
i
表示输入层至隐含层i的特征提取权重矩阵，B
i
表示输入层至隐含层i的偏差向量参数，F
i
()表示非线性激活函数；而H
bi
为分支网络i的输入特征，ω
i
表示分支网络i的回归层的权重，b
i
表示分...

【专利技术属性】
技术研发人员：王伟，杨辉，朱建勇，陆荣秀，徐芳萍，
申请(专利权)人：华东交通大学，
类型：发明
国别省市：