煤泥浮选过程复杂,影响因素众多,部分变量检测手段落后,存在测量精度不高或时效性差等现象,由于缺失部分变量,过程模型输入变量的维度低而导致模型精度不高。因此,本文通过过程变量采集、药剂预测模型、控制系统这三方面,基于在线、离线数据对浮选过程智能控制作了研究。论文以煤泥浮选过程为研究对象,对煤泥浮选过程进行了变量分析,并根据实际生产现状,确定了煤泥浮选过程变量的采集方式、检测设备与药剂添加的执行机构,基于变量数据的采集,建立了基于DNN算法的浮选药剂用量预测模型,以药剂用量预测模型为基础,构建了基于数据驱动的浮选过程智能控制系统,实现浮选过程药剂智能添加。结合浮选车间实际情况,通过硬件的选型以及几何位置布置,建立了泡沫图像采集系统。对泡沫图像装置的相机、镜头、光源等硬件及几何位置作了分析与比较,发现采用帧率达到30fps、全局曝光方式的工业相机所采集的图像清晰、质量高。对采集到的浮选泡沫图像作预处理,提取泡沫图像特征并分析,并确定主要特征值。以平均梯度作为图像清晰度评价函数,挑选出质量高的图像,通过滤波效果比较,采用核尺寸为3的中值滤波。在泡沫图像的预处理的基础上,通过图像的灰度化提取颜色特征,通过灰度共生矩阵提取纹理特征,通过带标记的分水岭分割方法提取图像的尺寸特征,通过特征点匹配的方式提取图像的动态特征,并分析泡沫图像特征与药剂添加量的相关性,确定灰度均值、熵、方差、平均面积、移动速度为主要相关变量。提出了基于图像特征的浮选尾矿灰分的软测量方法,设计了尾矿图像采集系统与硬件,确定了图像的主要特征。确定了在光强12400lux,搅拌速率为830r/min条件下进行图像采集。发现图像灰度均值随着灰分变大而变大,提取图像的灰度特征进行相关性分析,发现灰度均值、方差、平滑度、偏度、能量、熵与灰分的相关性较大,将这6个变量作为软测量模型的输入。基于尾矿图像特征建立,建立尾矿软测量模型,并设计尾矿图像自动采集与灰分自动预测平台。利用试验采集的81组数据,分别建立基于GA-SVM、PSOSVM算法的浮选尾矿灰分软测量模型。误差数据分析表明,PSO-SVM预测的精度更高,绝对误差在6%以下,且模型的稳定性更强,适用于尾矿灰分的软测量。基于尾矿软测量模型,开发了基于Labview与Matlab的尾矿灰分自动预测平台。基于不同算法建立浮选药剂用量预测模型,并通过对比分析确定最适用的模型。将浮选原煤灰分、原煤量、入料灰分、入料浓度、精煤灰分、尾矿灰分,泡沫图像的灰度均值、熵、方差、平均面积、移动速度为输入,捕收剂、起泡剂流量为输出,利用采集的120组数据,分别了建立浮选药剂用量的GRNN、SVM、DNN预测模型,数据误差表明:基于DNN模型的预测效果强于GRNN、SVM的预测效果,捕收剂的绝对误差在12%以下,起泡剂的预测误差在8%以下。在建立的DNN药剂添加量预测模型的基础上,建立了基于数据的煤泥浮选过程智能控制系统。通过模糊控制器的设计,对预测的药剂用量作补偿,进行微调;通过对泵的药剂流量标定,实现药剂的准确添加。通过采集程序的设计,实现变量采集与交互,通过上位机下位机的设计,实现了具体的控制过程。