浮选柱以其对极微细粒物料的高选择性分选等优势得以迅速发展。目前现场浮选柱分选多由浮选司机根据经验手动调节,存在调整不及时,产品质量波动大,工人劳动强度大等问题,因此实现浮选柱自动控制对于发挥浮选柱设备优势,稳定和提高浮选精煤产品数质量指标有着重要意义。目前,国内针对浮选柱自动化的研究大都处于单变量输入/单输出稳定控制阶段,即针对影响浮选过程的某些变量利用PID控制器进行定值控制,然而浮选过程的多变量、大时滞、非线性等特点,单输入单输出控制方法无法实现对浮选过程的优化控制,为此论文针基于浮选柱分选过程特性,提出了基于人工神经网络技术的多输入/多输出的浮选柱智能变结构控制新思路。稳定控制是保证浮选柱正常工作运行的前提,同样是优化控制的基础,论文首先设计了浮选柱稳定控制系统,主要包括:冲洗水量自动控制、浮选入料浓度自动控制、泡沫层厚度(矿浆液位)自动控制、循环矿浆压力自动控制、基于干煤泥量的药剂添加自动控制等,稳定控制保证了浮选柱能够稳定运行并为优化控制创造了条件。现场调研表明,浮选司机对浮选柱分选进行调整时,主要的调整变量有两个:泡沫层厚度和药剂制度,二者相互配合保证浮选分选效果最佳,其他变量大都处于定值控制,调节频率较低,因而论文在浮选柱稳定控制的基础上,主要对泡沫层厚度和药剂制度进行优化控制。泡沫层厚度采用模糊控制方法,选用浮选入料变化量及入料量变化率作为模糊语言输入变量,泡沫层厚度设定值为模糊输出变量,制定合理的模糊规则,实现泡沫层厚度设定值的在线自动调节;对于浮选药剂添加采用基于干煤量药剂添加策略和专家系统相结合的控制方法,实现药剂在线自动调整以适应煤质波动。从控制范畴上讲,泡沫层厚度自动控制和药剂添加自动控制属于独立的两个控制过程和结构,因此借鉴变结构控制和智能控制的理论、技术与方法,提出了浮选柱变结构智能控制策略,其基本思路是组织协调泡沫层厚度控制器和药剂添加控制器,依据实时工况实现两个控制器的切换,以便最大限度实现浮选柱的优化运行。论文设计了基于人工神经网络的多输入/多输出的变结构算法,具体思路为:首先建立基于BP神经网络的模式识别系统,通过传感器获取入浮浓度、入浮流量、循环矿浆压力、浮选柱泡沫层厚度四个传感器变量,同时引入起泡剂和捕收剂用量,作为人工神经网络6个输入,输出层定义为1个,其输出定义分别为“0”和“1”,代表量化后的泡沫层厚度自动控制和药剂添加量自动控制两种控制器结构,论文通过对采集数据进行上述人工神经网络训练,训练结果为:当隐层层数为2,隐层结构为13×1时,训练次数最少,函数收敛速度最快,同时均方误差(MSE)最小为7.19e-06,对系统模式的识别能力最强,识别速度最快,系统稳定性更好。最终论文选用了 6×13×1×1的BP神经网络结构设计。最后在现场进行了工业性试验,试验结果表明:系统运行良好,浮选柱各变量稳定可控,同时浮选精煤产品灰分合格稳定的情况下,浮精产率得到了提高,药剂消耗量明显降低,取得了较好的预期效果。