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。