煤泥浮选过程是一个复杂的长流程连续生产工业过程,粗犷的生产方式使得过程的运行状态具有不稳定性,导致煤炭的洗选效果并不理想。为了提高煤泥浮选过程自动化与智能化水平,使煤泥浮选过程尽可能保持在最优运行状态,进而提升煤企生产效率和综合经济效益。本文围绕煤泥浮选过程的机理建模及其运行状态评价问题开展研究工作,提出了基于物料守恒的煤泥浮选过程全流程动态数学模型以及基于孪生长短期记忆网络的煤泥浮选过程运行状态评价方法,主要研究内容如下:（1）针对现有煤泥浮选过程控制模型大多仅关注泡沫浮选过程本身,难以反映实际煤泥浮选过程全流程运行动态特性的问题。本文提出了一种面向过程控制的煤泥浮选过程全流程动态数学模型,并基于此模型开发了煤泥浮选过程全流程仿真平台。首先,深入分析了煤泥浮选各环节关键设备的工作特性,分别建立了相应工艺过程的动态数学模型,并在MATLAB/Simulink环境下进行模块的编写和封装。其次,为了模拟实际选煤厂从原料投入到精煤产出的完整洗选过程,将各模块依照工艺要求前后联结并进行了参数辨识,构建了完整的煤泥浮选流程模型。最后,通过仿真实验说明了所建模型能够反映实际选煤过程变量耦合、慢时变、过程时滞等特征,为煤泥浮选过程先进控制方法与优化策略的研究提供了仿真验证平台。（2）针对传统数据驱动方法在面对煤泥浮选过程中存在的数据非线性、动态时序性等复杂特性时无法建立稳定可靠的运行状态评价模型问题,本文提出了一种基于孪生长短期记忆网络的运行状态评价方法,该方法充分利用了孪生网络同时处理两个时刻样本的结构优势,提取煤泥浮选过程数据中潜在的动态特征信息,通过在孪生网络结构中引入LSTM层提升模型处理非线性特征的能力并提取有价值的过程时序信息,通过在目标函数中引入慢特征约束项和综合经济指标约束项,迫使模型学习到与综合经济指标相关的慢特征信息,从而定向规范了网络的训练过程。此外,针对非优运行状态,提出了一种基于孪生长短期记忆网络贡献图的非优因素识别方法,通过计算过程变量对非优状态的贡献率识别导致过程非优的原因变量。最后,在开发的煤泥浮选过程全流程仿真平台上验证了所提方法的有效性。