一、稀土分离过程综合自动化系统研究（论文文献综述）
张瑞旭[1]（2021）在《基于SCN的稀土萃取过程建模研究》文中指出近年来随着人工智能技术的不断突破和普及,已逐渐应用到各种工业生产过程中。稀土元素作为一种战略资源,渐渐成为一些高新技术产业领域不可替代的角色,对国民经济和社会发展也是举足轻重。为了使稀土资源优势转化为产业优势,对稀土行业就提出了更高的要求。此外,稀土工业过程大时延、非线性、时变、强耦合、多变量等特点使得传统的控制理论和信息处理技术已无法满足稀土行业对先进自动化技术的迫切需求。稀土萃取分离过程中,组分含量对于控制系统的设计、产品质量的控制及能耗影响重大。而传统的离线分析方法无法实时掌握组分含量,不利于控制系统的运行。在这种背景下,本文在分析了稀土元素组分含量的检测方法和软测量建模方法的基础上,利用随机配置网络对稀土萃取过程软测量建模展开了一些研究。具体内容如下:为保证本文方法的可行性,先对随机配置网络地回归性能进行验证,使用随机配置网络对一个实际的回归任务进行建模验证,并与几种优秀的机器学习方法对比,结果表明随机配置网络在这类实际回归任务中是可行的。于是利用标准的随机配置网络对稀土萃取分离过程进行软测量建模,并与几种神经网络模型进行对比,仿真的结果也初步验证了随机配置网络应用到该领域上的可行性。随后,考虑到随着随机配置网络的隐含层神经元个数不断增加,其网络结构也会逐渐变得复杂,而且还可能会出现过拟合的问题,从而降低模型的泛化性能。此外,由于网络参数的随机化以及网络结构的不确定性,会使网络出现不稳定的情况。因此,先在随机配置网络中加入了正则化方法改善其泛化能力,然后为了保障网络初始参数合理的选取,并进一步保证模型的测量性能和稳定性能,再利用改进的灰狼算法对随机配置网络进行优化,从而建立起改进的灰狼算法优化的随机配置网络模型,并将本文建立的模型与几种其他模型进行仿真对比,用来评价模型性能的两个指标均较低,证实了方法的有效性。研究结果可为实现稀土萃取生产过程组分含量的软测量建模提供一种有效的方法,对促进稀土工业生产过程综合自动化具有一定的参考意义。
付涛[2]（2020）在《基于混合算法的稀土萃取过程组分含量预测》文中研究指明近年来随着人工智能技术的不断突破和普及,已逐渐应用到各种工业生产过程中。对于其中典型的生产工业—稀土工业,因其稀土作为一种战略资源可在一些新能源和新材料等高科技发展领域发挥不可替代的作用,使其在航天航空、国防军工等方面具有广泛的应用价值。此外,稀土工业过程具有大时延、非线性、时变、强耦合、多变量等特点使得人工智能技术显得更加尤为重要。而作为人工智能组成部分中的软测量技术可以解决工业过程中一些不能直接通过传感器获得或测出的重要过程参数或得到的测量单一参数并不能完整的体现设备运行工况以及稀土元素组分含量无法直接在线测量的问题。基于此,本文在分析了稀土元素在线测量现状和总结传统软测量建模方法不足的基础上,提出了基于混合算法的稀土萃取过程组分含量预测方法。具体研究内容如下:1、为保证本文方法的可行性,鉴于RBF核函数具有线性拟合性能好、训练时间短等诸多优点,因此LSSVM采用该核函数。通过与RBF神经网络进行对比,实验结果显示,LSSVM此类性能均优于RBF神经网络。2、LSSVM性能主要取决于它的惩罚因子和核函数参数,传统的参数选取方法主要是人工选择（如有试凑法、经验法等）;而群体智能算法能自动搜寻参数,使LSSVM性能满足给定的要求。传统灰狼优化（GWO）算法作为一种群体智能算法,在处理目标函数是多峰函数问题时,算法中控制距离参数a的线性化,容易导致算法陷入局部最优。为尽可能地解决这一情况,本文采用改进GWO算法对LSSVM参数进行选取。首先,本文通过对控制距离参数a进行非线性化处理,减少了算法陷入局部最优的可能;其次,通过引入差分进化算法,对GWO算法后期得到的种群进行变异,并将变异种群与GWO算法后期的种群进行比对,仿真结果证明了所提方法的有效性。3、为了尽可能的提升预测模型的预测性能,引入集成学习Adaboost算法,将改进GWO-LSSVM作为集成学习算法中的弱学习器,通过调整弱预测器的个数来提升算法的预测性能,仿真结果证明了所提方法的有效性。研究结果可为实现稀土萃取生产过程组分含量的自动检测提供一种有效方法,对促进稀土工业生产过程综合自动化具有重要意义。
王颖[3]（2020）在《基于优化设定的稀土萃取过程预测控制研究》文中研究说明由于稀土元素具有优越的物理、化学以及电学等性能,因此在军事、冶金、石油、农业等行业的应用相当广泛,并促进了相关领域技术的进步。稀土元素的萃取分离过程是一个非线性、耦合度较强、滞后严重并且工况复杂多变的长流程,简单的机理模型无法对其进行描述,也难以设计简单高效的控制器。现阶段,稀土萃取分离工业过程的自动化程度还处于比较低的状况,仍需经验丰富的操作人员凭借自身的经验对该萃取过程各流量等工艺参数进行操控进行。因此,许多稀土行业科研工作者依旧在对此进行不断的研究。本文从稀土萃取过程的运行成本和经济效益的角度出发,在综合考虑萃取过程经济性能指标和控制目标要求的前提下,采用数据驱动建模思想,设计了一种将优化设定策略与模型预测控制器相结合的方法,以保证萃取过程出口产品质量的稳定。具体研究内容如下:1、鉴于稀土萃取分离过程具有非线性、强耦合的特点,难以建立精确的萃取过程模型,提出了稀土萃取过程Elman神经网络建模方法。依据萃取现场工艺要求参数,分析各级组分含量分布并与现场采集数据相结合,建立铈镨/钕（Ce Pr/Nd）萃取过程Elman神经网络模型,为稀土萃取过程的后续研究奠定基础。2、为了提高萃取过程经济效益,本文在建立高精度的稀土萃取过程Elman神经网络模型的基础上,将洗涤剂、萃取剂等流量的消耗作为稀土萃取过程控制系统的经济性能指标,即以萃取过程的经济效益极大化为目标,通过对设定值进行优化得到系统的最优工作点,并以此为依据进行稀土萃取过程预测控制器的设计。最后,根据Ce Pr/Nd萃取过程数据验证了方法的有效性。3、针对上述稀土萃取过程预测控制器存在反馈不足的现象,结合PID控制的反馈特点和广义预测控制的预测功能,提出稀土萃取过程PI型广义预测控制策略（PI-GPC）。并通过Ce Pr/Nd萃取过程采集的数据进行仿真实验,表明改进的预测控制方法能有效的改善控制器的性能,更适用于稀土萃取工业现场,亦更具有实际工业价值。综上所述,为改善稀土萃取过程的运行控制性能,本文在采用Elman神经网络描述稀土萃取过程的基础上,设计了基于优化设定的稀土萃取过程模型控制器,针对控制器反馈不足,进一步设计了稀土萃取过程PI型广义预测控制控制器,且经试验验证了其有效性,对提高稀土萃取控制系统的经济效益具有非常重要的实际意义。
钟亮[4]（2020）在《试析稀土萃取分离的综合自动化系统》文中研究表明目前我国稀土工业生产的自动化水平普遍较低,生产效率不高,产品质量不稳定,受工人素质影响波动大,劳动力成本较高等问题,所以需要积极利用社会上先进的知识和技术,不断提高稀土萃取分离的综合自动化能力,将我国稀土资源的利用效率最大化发挥出来。
叶兆斌[5]（2016）在《镨钕萃取过程组分含量多RBF模型预测》文中研究说明随着稀土元素运用领域的不断增广,稀土元素已成为一类无可替代的关键材料。2015年,我国的稀土产量已达到10.5万吨,但国内稀土生产水平依旧处于半自动化状态,流量等过程参数需要人工调节,稀土溶液的组分含量依靠人工取样进行检测,这样的生产状况降低了生产效率与产品的质量。因此,建立稀土萃取过程元素组分含量在线检测系统是实现稀土萃取分离自动化的关键。在具有离子颜色特征的萃取分离体系中,可通过萃取槽体中“离子特征颜色带”分布变化来对工艺参数进行调节,但采用人工观测的方法主观性大,导致萃取分离工艺控制的随机性加大。本文基于机器视觉技术,提取稀土生产现场溶液的颜色特征,采用数据驱动建模算法,建立稀土萃取过程元素组分含量的软测量模型。具体的研究内容如下:1、以Pr/Nd萃取分离过程为例,首先利用机器视觉技术采集生产现场萃取槽中溶液图像信息,其次通过分析Pr/Nd溶液在不同颜色空间的视觉特征表现,得出更适合描述稀土溶液信息的颜色特征空间。2、采用数据驱动建模算法建立稀土萃取过程元素组分含量RON（资源优化网络）模型。首先采用PCA（主元分析）算法对溶液图像颜色特征进行分析,得出与稀土溶液组分含量关系相关性较大的颜色特征分量,建立RON的组分含量模型。3、针对稀土生产过程运行工况复杂、萃取槽中元素含量分布存在大范围的波动的情况,提出一种带有自适应功能的多RBF模型预测方法。首先采用减法聚类对样本数据进行分类并对每一类数据建立基于RBF神经网络的子模型,然后按照一定的规则将子模型进行组合,得到元素组分含量预测模型;当萃取环境或者对象特性发生改变时,根据模型参数校正策略,实现元素组分含量模型的自适应校正。经过Pr/Nd萃取现场数据测试试验,结果表明多RBF方法有较好的自适应能力,适用于稀土萃取过程组分含量的准确快速预测。
何峰[6]（2016）在《镨/钕混合溶液图像污渍点去除方法研究》文中研究表明稀土被称为“工业维生素”,是当今社会最为重要的战略资源。我国作为稀土大国,稀土分离的生产规模以及产品质量在世界上有着至关重要的地位。然而,我国的稀土萃取分离过程依旧处于离线分析、经验调节和人工手动控制的阶段,从而导致大量资源的浪费以及造成产品质量不稳定等问题。解决各稀土元素组分含量的在线检测难题是提高我国稀土萃取分离工艺自动化水平的关键。在稀土萃取工艺过程中,由于某些稀土元素离子具有特殊的离子颜色特征,使得采用机器视觉技术进行稀土元素组分含量检测成为可能。针对镨离子和钕离子的特殊离子颜色特征,实验室已经研究开发了基于机器视觉的稀土元素组分含量快速检测系统,是解决具有特殊离子特征颜色的镨/钕萃取分离过程中元素组分含量快速测量问题的有效途径,可为镨/钕萃取过程优化运行提供技术支撑,对实现我国稀土萃取分离工业的可持续发展具有极其重要的理论和实际意义。以下是本文主要的研究工作及创新点:（1）从硬件系统设计和软件系统设计两个方面分析了实验室基于机器视觉的稀土元素组分含量快速检测系统。硬件系统设计方面,分析了摄像机、镜头、图像采集卡、光源、上位机等硬件设备选型的基本原理以及所需注意的因素。软件系统设计方面,介绍了MATLAB与LabVIEW之间的混合编程方法,分析了稀土元素组分含量快速检测系统的整体构成以及系统中图像采集模块、图像处理模块、结果显示模块、其他模块的基本工作原理。（2）针对实验室稀土元素组分含检测只能在实验室环境下,对没有污渍点的稀土溶液图像进行组分含量检测,不能很好适应稀土萃取工艺现场的问题。提出了基于FCM算法的图像分割算法对检测系统的图像处理部分进行相应的改进,使检测系统能够检测具有污渍点镨/钕溶液图像所对应的元素组分含量值。分析了FCM算法中聚类准则的推导过程,采用拉格朗日乘数法求解隶属度矩阵函数和聚类中心。介绍了聚类类别数c和模糊加权指数m的确定方法以及FCM图像分割算法具体实现步骤,采用欧式距离和空间距离相结合的方法计算像素点与聚类中心之间的距离。（3）以江西某稀土萃取企业中镨/钕溶液为研究对象,分析了RGB颜色空间和HIS颜色空间之间的转换方法,确定了含有污污渍点的镨/钕溶液图像的颜色特征提取方法,明确了采用HSI颜色空间下的H、S、I三个颜色分量的一阶矩去描述Pr/Nd混合溶液图像颜色信息。FCM算法对采集到含有污渍点的Pr/Nd混合溶液图像进行处理,得到目标溶液的灰度二值图像。利用灰度二值图像找到原彩色图像中目标溶液区域的像素,并计算颜色空间特征值及组分含量值,以没有污渍点的镨/钕溶液图像所检测的组分含量值为参考。结果表明,采用FCM聚类算法能够有效的抑制污渍点对颜色空间特征值提取以及组分含量检测的影响,为稀土元素组分含量检测系统能够更好应用于稀土萃取工艺现场奠定了理论基础。
朱凡[7]（2015）在《基于ANFIS模型的Pr/Nd萃取过程预测控制》文中研究说明稀土元素具有独特的物化特性，是当前社会研发各类“高精尖”产品不可或缺的关键性材料。然而不同的稀土元素具备不同的特性，要充分利用和发挥各元素的功能，首先需完成稀土元素间的分离提纯。我国绝大部分稀土企业应用溶剂萃取法，借由人工操作分离获取单一品质的稀土元素，然而萃取过程复杂，单凭经验式的人工操作模式无法确保产品的批量稳定性。为了稳定产品质量和消除人工模式操作下的不确定性，就要求配备能够实时、精确调整的萃取过程自动控制系统。本文结合萃取过程实际生产现状，考虑过程中存在的非线性和动态特性，基于萃取过程动态响应曲线，研究萃取过程ANFIS建模和组分含量分布控制。具体研究如下：1、以Pr/Nd串级萃取过程为例，根据“模拟分液漏斗法”，应用某实际萃取萃取分离生产线工艺参数，进行了萃取过程由启动至平衡状态过程的模拟，得到了具有强非线性的动态响应曲线和启动过程数据。2、根据获得的动态响应曲线及数据，提出以数据驱动方式建立ANFIS模型来描述Pr/Nd串级萃取过程非线性的动态过程；仿真结果表明，本文建立的ANFSI模型能够以较高精度动态模拟非线性的Pr/Nd萃取过程。3、基于所建模型，应用具有自适应性的GPC控制方法，设计了基于ANFIS模型的用以调节组分含量分布的流量控制器，使其在监测级组分含量偏离标准值时，能够对组分含量的分布进行实时、准确调节；并与萃取过程ANFIS模型传统PID控制方式下的控制效果对比，结果表明，GPC方式能更好的完成组分含量分布的自动调节。
徐芳萍[8]（2013）在《基于PCS7的Pr/Nd萃取过程动态模拟》文中提出稀土元素广泛应用于冶金、陶瓷、石化等传统领域和永磁材料、超导材料、特种玻璃等高新技术领域，已成为相关工业不可或缺的重要原料。相对于未来其他的所有资源，稀土资源所吸附的资本量最大，因此，逐渐成为举世瞩目的焦点问题。由于溶剂萃取法具有的分离效率高、易操作、规模大及连续化等特点，在我国稀土萃取分离工业中普遍采用该方法来获得单一稀土元素。而稀土萃取分离生产从投料到平衡状态过程复杂、反应时间长，若完全依靠生产现场的实验研究势必会耗费大量的时间。随着科技水平的提高，计算机模拟逐步运用于各行各业中，在稀土萃取分离的研究过程中采用该方法，可在人力、物力、能源上节省的同时，进一步缩短稀土萃取分离工艺的研发周期。本文是在国家自然科学基金“基于机器视觉的稀土萃取过程监测与控制方法”的支持下，以提高稀土产品的质量为目的，为对稀土萃取分离过程全面、可视化描述，应用西门子过程控制系统PCS7对稀土萃取过程进行动态仿真模拟。主要研究工作如下：1、在对稀土萃取分离过程的机理及工艺进行简单描述后，运用西门子PCS7建立该工艺的仿真试验平台，采用WinCC组态软件构建了Pr/Nd萃取过程的人机界面与监控画面；2、根据现场Pr/Nd萃取工艺参数，应用串级萃取理论，确定稀土萃取过程所需理论级数和各进料设定流量；对稀土萃取过程由启动到平衡进行动态模拟；采用两相组成逐级递推公式计算各级组份含量并在WinCC界面显示各级组份含量分布情况；3、根据萃取过程中的级间组份含量敏感级确定萃取过程最优监测控制级，基于萃取过程经验模型和专家经验调节萃取剂、洗涤液、料液的加料流量实施对稀土萃取控制过程进行动态调整，使两端出口产品最终达到所需纯度。4、以Pr/Nd萃取过程为例进行动态仿真模拟，验证本文方法的有效性及对实际萃取工艺研究的借鉴作用。
赵正虎[9]（2011）在《软测量技术在稀土萃取中的应用研究》文中研究指明我国稀土产量、出口量、消费量均居世界第一且轻、中、重稀土品种齐全。虽然稀土萃取分离技术已达世界先进水平,但该生产过程的控制水平相对低下,其仍然处在离线分析、经验调整、人工控制。因此给生产企业带来后果是：生产效率低下、资源浪费、产品质量不稳定等,都严重制约着稀土工业的发展。稀土工业采用的串级混合澄清槽萃取分离工艺,其机理复杂,具有多变量、强耦合、非线性、时变性以及大滞后等特点。要提高与实现该工业过程的自动化生产水平,首先要实现萃取槽中稀土元素的组分含量的在线连续检测,而在现实中难以采用工业仪表实现这一技术。文中在深入分析分离过程工艺的基础上,采用软测量技术来解决这一技术难题。文中应用最小二乘支持向量机（LSSVM）结合优化算法解决元素组分含量软测量技术问题,主要工作归纳如下：首先,对软测量技术发展状况及常规的建模方法进行了研究,分析了软测量技术的工程化设计,并设计了实现该技术的一般步骤。其次,针对实现软测量模型建立的问题,采用径向基函数（RBF）神经网络与LSSVM。分别分析了各自的理论基础、模型结构、实现算法等。通过仿真发现前者所建立的软测量模型泛化能力差,而且建模依赖于大量的样本数据,而后者建立的模型能更好的解决这些问题,具有较好的估计性能。然后,采用LSSVM方法建立模型时,其模型的性能直接受到模型参数的影响,文中采用优化算法解决这一问题。优化算法包括遗传算法、微粒群优化算法、量子粒子群优化算法与蚁群算法。通过对各自算法的机理分析,结合最小二乘支持向量机算法要优化的正则参数与核函数参数,设计出了各自的算法流程与步骤,并通过仿真实例验证、测试了设计的算法的可行性与正确性。最后,通过对稀土串级萃取工艺机理的分析,设计了萃取段元素组分含量的LSSVM的软测量模型结构,相应对样本数据进行了预处理,分别采用已设计好的算法建立稀土元素组分含量的软测量模型,通过仿真表明,采用优化算法建立的LSSVM软测量模型的精度都相应得到提高。根据算法的复杂程度、训练目标、估计能力以及搜索时间等因素,蚁群优化算法比较适用于优化LSSVM算法建立的元素组分含量在线估计模型。
韩旗英,白炜,李景芬[10]（2010）在《稀土萃取分离的综合自动化系统》文中指出根据稀土萃取分离的工艺特点、生产过程、开发了基于生产过程控制的综合自动化系统,从顺序控制、流量控制、液位控制、在线监测、工艺调整五个方面对稀土萃取分离的过程控制技术进行了研究,讨论了综合自动化系统的体系结构、功能和控制策略,实现了稀土萃取分离的优化控制、优化运行和优化管理。
二、稀土分离过程综合自动化系统研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、稀土分离过程综合自动化系统研究（论文提纲范文）
（1）基于SCN的稀土萃取过程建模研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景和意义 |
| 1.1.1 稀土的简单介绍 |
| 1.1.2 稀土元素的制备 |
| 1.2 课题相关领域研究现状 |
| 1.2.1 稀土萃取过程组分含量检测研究现状 |
| 1.2.2 软测量建模研究现状 |
| 1.3 本文研究的主要内容及章节安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 章节安排 |
| 第二章 稀土萃取分离工艺流程及其数学描述 |
| 2.1 稀土萃取工艺流程描述 |
| 2.2 稀土萃取分离过程动态数学描述 |
| 2.3 本章小结 |
| 第三章 SCN原理及仿真研究 |
| 3.1 随机配置网络的网络原理 |
| 3.1.1 随机向量函数连接网络 |
| 3.1.2 随机配置网络的基本结构 |
| 3.1.3 SCN的通用逼近性质 |
| 3.2 SCN的回归性能验证 |
| 3.2.1 数据集描述 |
| 3.2.2 仿真实例 |
| 3.3 本章总结 |
| 第四章 基于SCN的稀土元素组分含量软测量建模 |
| 4.1 软测量框架 |
| 4.2 变量选取 |
| 4.2.1 数据来源 |
| 4.2.2 变量的选取 |
| 4.3 样本数据处理 |
| 4.4 基于SCN的稀土萃取过程软测量模型的建立与仿真 |
| 4.4.1 模型的建立 |
| 4.4.2 仿真分析 |
| 4.4.3 正则化随机配置网络 |
| 4.5 本章总结 |
| 第五章 基于改进SCN的稀土萃取软测量建模 |
| 5.1 灰狼优化算法的基本原理及改进 |
| 5.1.1 灰狼优化算法基本原理 |
| 5.1.2 灰狼优化算法的改进 |
| 5.2 改进SCN软测量模型的建立 |
| 5.3 仿真分析 |
| 5.4 本章总结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 个人简历在读期间发表的学术论文 |
| 致谢 |
（2）基于混合算法的稀土萃取过程组分含量预测（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景和意义 |
| 1.2 课题相关领域现状及发展趋势 |
| 1.2.1 软测量建模研究现状 |
| 1.2.2 稀土萃取过程组分含量在线预测研究现状 |
| 1.3 本文研究的主要内容及结构布局 |
| 1.3.1 主要研究内容 |
| 1.3.2 章节安排 |
| 第二章 稀土萃取分离工艺流程及数学描述 |
| 2.1 稀土萃取工艺流程描述 |
| 2.2 稀土萃取分离过程动态数学描述 |
| 2.3 本章小结 |
| 第三章 LSSVM原理及仿真研究 |
| 3.1 统计学习理论 |
| 3.2 支持向量机原理及回归算法 |
| 3.2.1 支持向量机原理 |
| 3.2.2 支持向量机回归算法 |
| 3.3 最小二乘支持向量机的基本原理 |
| 3.4 仿真分析 |
| 3.4.1 建模步骤 |
| 3.4.2 仿真实例 |
| 3.5 本章总结 |
| 第四章 基于LSSVM的稀土元素组分含量软测量建模 |
| 4.1 软测量框架 |
| 4.2 变量选取 |
| 4.3 样本数据处理 |
| 4.4 灰狼优化算法的基本原理及改进 |
| 4.4.1 灰狼优化算法基本原理 |
| 4.4.2 算法的改进 |
| 4.5 基于改进GWO-LSSVM模型的建立与仿真 |
| 4.5.1 模型的建立 |
| 4.5.2 仿真分析 |
| 4.6 本章总结 |
| 第五章 基于集成学习的LSSVM软测量建模 |
| 5.1 集成学习的基本原理 |
| 5.2 Adaboost算法原理 |
| 5.3 基于Adaboost改进GWO-LSSVM的软测量 |
| 5.3.1 模型的建立 |
| 5.3.2 仿真分析 |
| 5.4 本章总结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 个人简历 在读期间发表的学术论文 |
| 致谢 |
（3）基于优化设定的稀土萃取过程预测控制研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 课题研究现状 |
| 1.2.1 稀土萃取过程建模研究现状 |
| 1.2.2 稀土萃取过程控制研究现状 |
| 1.3 主要研究内容及全文结构安排 |
| 第二章 稀土萃取过程工艺及预测控制原理 |
| 2.1 稀土萃取工艺过程简介 |
| 2.2 Elman神经网络模型 |
| 2.3 稀土萃取控制过程简介 |
| 2.4 广义预测控制原理 |
| 2.4.1 预测模型 |
| 2.4.2 滚动优化 |
| 2.4.3 反馈校正 |
| 2.5 本章小结 |
| 第三章 基于优化设定的稀土萃取过程预测控制 |
| 3.1 基于优化设定的稀土萃取过程预测控制系统 |
| 3.2 基于优化设定的稀土萃取过程预测控制策略 |
| 3.2.1 目标值的设定 |
| 3.2.2 基于优化设定的萃取过程预测控制器设计 |
| 3.3 仿真实验结果及分析 |
| 3.3.1 设定值的优化计算 |
| 3.3.2 基于Elman的稀土萃取过程建模 |
| 3.3.3 控制过程分析 |
| 3.4 本章小结 |
| 第四章 稀土萃取过程PI型广义预测控制 |
| 4.1 稀土萃取过程PI型广义预测控制系统 |
| 4.2 稀土萃取过程PI型广义预测控制器设计 |
| 4.2.1 PI型广义预测控制器策略 |
| 4.2.2 控制律的化简 |
| 4.3 仿真实验结果与分析 |
| 4.3.1 稀土萃取过程Elman神经网络模型 |
| 4.3.2 PI型广义预测控制器仿真结果 |
| 4.3.3 不同控制算法的性能比较 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 个人简历在读期间发表的学术论文 |
| 致谢 |
（4）试析稀土萃取分离的综合自动化系统（论文提纲范文）
| 1 稀土萃取分离的相关概述 |
| 2 稀土萃取分离的综合自动化系统研究 |
| 2.1 流量控制分析 |
| 2.2 液位控制研究 |
| 2.3 在线分析检测研究 |
| 2.4 系统整合研究 |
| 3 结束语 |
（5）镨钕萃取过程组分含量多RBF模型预测（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外发展现状 |
| 1.2.1 稀土萃取过程监测现状 |
| 1.2.2 机器视觉在工业过程中的应用现状 |
| 1.3 本文研究的总体思路及实施方案 |
| 1.4 全文架构及章节安排 |
| 第二章 镨/钕萃取过程视频监测 |
| 2.1 稀土萃取分离工艺 |
| 2.2 稀土萃取过程视觉信息分析 |
| 2.3 镨/钕混合溶液图像特点及颜色特征提取方法 |
| 2.3.1 稀土混合溶液图像特点 |
| 2.3.2 稀土混合溶液图像在HSI颜色空间下的特征表现 |
| 2.4 镨/钕图像采集平台搭建 |
| 2.5 本章小结 |
| 第三章 镨/钕萃取过程元素组分含量建模 |
| 3.1 基于PCA的溶液图像颜色特征分析 |
| 3.1.1 主元分析法简介及其实现 |
| 3.1.2 溶液图像颜色特征与组分含量的关系 |
| 3.2 RON建模原理 |
| 3.2.1 RBF网络算法 |
| 3.2.2 RON建模算法 |
| 3.3 基于镨/钕溶液视觉特征的元素组分含量RON模型 |
| 3.4 本章小结 |
| 第四章 镨/钕萃取过程元素组分含量多RBF模型预测 |
| 4.1 多模型建模策略 |
| 4.1.1 聚类个数及其参数确定 |
| 4.1.2 多模型的结构 |
| 4.1.3 元素组分含量预测输出 |
| 4.2 多RBF模型结构及参数调整策略 |
| 4.2.1 网络结构调整方法 |
| 4.2.2 网络参数调整方法 |
| 4.2.3 元素组分含量多模型自适应校正步骤 |
| 4.3 仿真实验 |
| 4.4 本章小结 |
| 第五章 总结 |
| 5.1 工作总结 |
| 5.2 本课题研究需改进的地方 |
| 参考文献 |
| 个人简历 在读期间发表的学术论文 |
| 致谢 |
（6）镨/钕混合溶液图像污渍点去除方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究的目的意义 |
| 1.2 稀土萃取研究概况 |
| 1.2.1 稀土萃取分离过程 |
| 1.2.2 稀土组分含量检测方法 |
| 1.3 机器视觉技术 |
| 1.3.1 机器视觉技术发展现状 |
| 1.3.2 机器视觉在稀土元素组分含量检测中的应用 |
| 1.4 图像分割技术 |
| 1.5 主要研究内容及结构 |
| 第二章 稀土元素组分含量快速检测系统 |
| 2.1 概述 |
| 2.2 检测系统硬件设计 |
| 2.3 检测系统软件设计 |
| 2.3.1 虚拟仪器技术 |
| 2.3.2 MATLAB与LabVIEW混合编程 |
| 2.3.3 稀土元素组分含量快速检测系统模块组成 |
| 2.4 本章小结 |
| 第三章 模糊C-均值聚类分割算法 |
| 3.1 概述 |
| 3.2 模糊集合理论 |
| 3.3 模糊C-均值聚类算法 |
| 3.3.1 数据集的C划分 |
| 3.3.2 模糊C-均值聚类算法 |
| 3.4 FCM聚类算法相关参数确定 |
| 3.4.1 聚类个数确定 |
| 3.4.2 隶属度矩阵以及聚类中心的初始化 |
| 3.4.3 模糊加权指数m的确定 |
| 3.5 本文FCM聚类算法实现 |
| 3.5.1 像素与聚类中心的距离 |
| 3.5.2 FCM聚类算法实现 |
| 3.6 本章小结 |
| 第四章 Pr/Nd混合溶液图像污渍点处理及颜色特征提取 |
| 4.1 概述 |
| 4.2 Pr/Nd混合溶液污渍点处理 |
| 4.2.1 采集溶液图像 |
| 4.2.2 溶液图像滤波 |
| 4.2.3 溶液图像分割 |
| 4.3 颜色特征提取 |
| 4.4 组分含量检测 |
| 4.5 仿真结果与分析 |
| 4.6 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 个人简历 在读期间发表的学术论文 |
| 致谢 |
（7）基于ANFIS模型的Pr/Nd萃取过程预测控制（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外发展现状 |
| 1.2.1 萃取过程建模的研究现状 |
| 1.2.2 萃取过程控制的研究现状 |
| 1.2.3 ANFIS 应用现状 |
| 1.3 本文研究的主要内容 |
| 第二章 Pr/Nd 萃取分离生产过程介绍 |
| 2.1 Pr/Nd 萃取分离工艺简介 |
| 2.2 萃取过程控制要点 |
| 2.3 模拟分液漏斗法简述 |
| 2.3.1 主要萃取参数介绍 |
| 2.3.2 漏斗法实现 |
| 2.4 仿真结果 |
| 2.5 本章小结 |
| 第三章 Pr/Nd 萃取过程 ANFIS 模型 |
| 3.1 Pr/Nd 萃取过程分析 |
| 3.2 ANFIS 网络原理 |
| 3.2.1 BP 网络算法 |
| 3.2.2 ANFIS 算法实现 |
| 3.3 Pr/Nd 萃取过程 ANFIS 建模 |
| 3.3.1 Pr/Nd 萃取过程 ANFIS 规则确定及参数初始化 |
| 3.3.2 Pr/Nd 萃取过程 ANFIS 模型参数优化 |
| 3.4 仿真结果 |
| 3.5 本章小结 |
| 第四章 Pr/Nd 萃取过程 ANFIS 模型的预测控制 |
| 4.1 预测控制 |
| 4.1.1 预测模型 |
| 4.1.2 滚动优化 |
| 4.1.3 反馈校正 |
| 4.2 广义预测控制原理 |
| 4.2.1 多步最优估计 |
| 4.2.2 最优控制律 |
| 4.3 基于 ANFIS 模型的广义预测控制器设计 |
| 4.3.1 广义预测控制系统结构图 |
| 4.3.2 Pr/Nd 串级萃取过程广义预测控制器设计 |
| 4.4 仿真实验 |
| 4.5 本章小结 |
| 第五章 总结 |
| 5.1 工作总结 |
| 5.2 本课题研究需改进的地方 |
| 参考文献 |
| 个人简历 在读期间发表的学术论文 |
| 致谢 |
（8）基于PCS7的Pr/Nd萃取过程动态模拟（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究的目的及意义 |
| 1.2 稀土萃取过程相关问题 |
| 1.2.1 稀土萃取过程模型的研究现状 |
| 1.2.2 稀土萃取过程组份含量检测方法 |
| 1.2.3 稀土萃取过程自动化水平 |
| 1.3 本文研究的主要内容及章节安排 |
| 第二章 稀土萃取过程模拟系统 |
| 2.1 稀土萃取分离过程简介 |
| 2.1.1 稀土萃取工艺过程介绍 |
| 2.1.2 溶剂串级萃取理论 |
| 2.2 仿真平台的软、硬件配置 |
| 2.2.1 PCS7 应用与简介 |
| 2.2.2 OPC 技术 |
| 2.2.3 OPC 在 WinCC 中的应用 |
| 2.3 仿真平台搭建 |
| 2.3.1 仿真界面的建立 |
| 2.3.2 软件应用及硬件组态 |
| 2.3.3 MATLAB 通过 OPC 技术与 WinCC 连接 |
| 2.4 本章小结 |
| 第三章 萃取过程参数设计与优化 |
| 3.1 萃取过程工艺参数设计 |
| 3.1.1 串级萃取工艺参数设计 |
| 3.1.2 启动过程动态平衡数学模型 |
| 3.1.3 Pr/Nd 启动过程 |
| 3.2 工艺参数调整与优化 |
| 3.2.1 任意组份体系串级萃取理论基础 |
| 3.2.2 稀土萃取体系分离系数 |
| 3.2.3 两相组成逐级递推公式 |
| 3.2.4 两相逐级递推模型的应用 |
| 3.4 本章小结 |
| 第四章 稀土萃取过程组份含量分布控制 |
| 4.1 稀土萃取过程动态调节 |
| 4.2 执行机构数学模型 |
| 4.3 萃取过程控制 |
| 4.3.1 PID 控制方法 |
| 4.3.2 Pr/Nd 萃取过程控制 |
| 4.4 本章小结 |
| 第五章 结束语 |
| 5.1 论文工作总结 |
| 5.2 本课题今后需进一步研究的地方 |
| 参考文献 |
| 个人简历 |
| 致谢 |
（9）软测量技术在稀土萃取中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 软测量技术介绍 |
| 1.2.1 软测量概述 |
| 1.2.2 软测量建模方法 |
| 1.2.3 影响软测量性能因素 |
| 1.2.4 软测量设计步骤 |
| 1.3 稀土分离工业介绍 |
| 1.3.1 稀土分离技术发展 |
| 1.3.2 稀土分离过程组分含量测量 |
| 1.4 论文主要工作与结构安排 |
| 1.4.1 论文主要工作 |
| 1.4.2 论文结构安排 |
| 2 建模方法在软测量技术中应用 |
| 2.1 径向基网络 |
| 2.1.1 RBF神经网络模型分析 |
| 2.1.2 RBF神经网络学习算法 |
| 2.2 支持向量机 |
| 2.2.1 支持向量机基本思想 |
| 2.2.2 支持向量机核函数 |
| 2.2.3 支持向量回归机 |
| 2.2.4 最小二乘支持向量机 |
| 2.3 仿真实例与结果分析 |
| 2.4 小结 |
| 3 优化算法在LSSVM中的应用 |
| 3.1 遗传算法 |
| 3.1.1 遗传算法原理 |
| 3.1.2 遗传算法优化LSSVM算法设计 |
| 3.1.3 仿真实例 |
| 3.2 粒子群优化算法 |
| 3.2.1 粒子群优化算法原理 |
| 3.2.2 量子粒子群算法原理 |
| 3.2.3 粒子群与量子粒子群优化LSSVM算法设计 |
| 3.2.4 仿真实例 |
| 3.3 蚁群算法 |
| 3.3.1 蚁群算法基本原理 |
| 3.3.2 蚁群算法优化LSSVM算法设计 |
| 3.3.3 仿真实例 |
| 3.4 小结 |
| 4 稀土分离过程组分含量软测量建模 |
| 4.1 稀土分离过程概述 |
| 4.2 分离过程组分含量模型建立 |
| 4.2.1 辅助变量选择 |
| 4.2.2 样本数据采集与预处理 |
| 4.2.3 模型建立 |
| 4.3 实现组分含量软测量模型的仿真研究 |
| 4.3.1 软测量技术评价设计 |
| 4.3.2 建立元素组分含量的软测量模型 |
| 4.3.3 组分含量软测量测试结果与误差分析 |
| 4.4 小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 附录A 原始样本数据 |
| 攻读学位期间的研究成果 |
四、稀土分离过程综合自动化系统研究（论文参考文献）
- [1]基于SCN的稀土萃取过程建模研究[D]. 张瑞旭. 华东交通大学, 2021(01)
- [2]基于混合算法的稀土萃取过程组分含量预测[D]. 付涛. 华东交通大学, 2020(06)
- [3]基于优化设定的稀土萃取过程预测控制研究[D]. 王颖. 华东交通大学, 2020(06)
- [4]试析稀土萃取分离的综合自动化系统[J]. 钟亮. 中国金属通报, 2020(01)
- [5]镨钕萃取过程组分含量多RBF模型预测[D]. 叶兆斌. 华东交通大学, 2016(02)
- [6]镨/钕混合溶液图像污渍点去除方法研究[D]. 何峰. 华东交通大学, 2016(02)
- [7]基于ANFIS模型的Pr/Nd萃取过程预测控制[D]. 朱凡. 华东交通大学, 2015(11)
- [8]基于PCS7的Pr/Nd萃取过程动态模拟[D]. 徐芳萍. 华东交通大学, 2013(07)
- [9]软测量技术在稀土萃取中的应用研究[D]. 赵正虎. 兰州交通大学, 2011(05)
- [10]稀土萃取分离的综合自动化系统[A]. 韩旗英,白炜,李景芬. 2010年全国冶金物理化学学术会议专辑（下册）, 2010