无线网络技术凭借着诸多优势,比如低成本、移动方便等,逐渐应用到工业系统中。同时也带来一些问题,例如,容易在数据传输的过程中发生丢包、时延等问题,会降低系统的性能甚至使其不稳定,故在无线网络环境下对系统进行控制具有现实意义。同时由于工业过程比较复杂,通常难以建立模型或者所建模型不准确,而在工业上现有的控制方法都建立在系统模型已知的前提,其具有很大的局限性。本文研究在网络环境下在模型未知的情况下对混合选别过程中的浓密过程和浮选过程采用增强学习的方法进行控制。本文的主要工作主要有以下几个方面:1.对于浓密过程的双层结构,由于流量过程简单,在本地设备就能控制。浓度过程因计算量大,可通过无线网络传输到工业云计算,传输的过程中系统采集的状态不可避免地会发生丢包,由于状态信息的不完整性会使对上层系统的控制变难。所以,1)对底层采用Q-学习算法,利用输入输出的数据,无需知道系统的模型就能实现底层过程对底流矿浆流量的跟踪;2)设计史密斯预估器,当系统发生丢包时其能根据历史的传输数据估计出当前时刻的状态,同时证明了丢包时系统的二次型依然是线性的和可通过求解网络下的广义黎卡提方程得到最优跟踪控制的解,继而针对浓度过程发生丢包的问题设计了丢包Q-学习算法,其能够利用检测到的信息在线的学习到最优控制从而实现对底流矿浆浓度的跟踪。3)通过对浓密过程的仿真实验验证了本文方法的有效性。2.输出调节方法是设计一种控制律使系统的输出能够渐近的跟踪系统的参考轨迹,同时传统的输出调节方法都是在系统的模型已知的情况下进行研究。基于此,为了解决网络环境下浮选过程的状态存在反馈丢包时系统模型未知的情况下实现对液位的渐近跟踪问题,本文将增强学习与输出调节控制方法结合对浮选的液位高度控制问题上设计了无模型输出调节算法,1)可将问题转化为求解两个最优问题:建立一个求解输出调节方程的受约束静态优化问题和建立一个动态优化问题来寻找最优反馈控制器。2)解决这两个最优问题需要知道系统的动态。在网络存在丢包的情况下,为了消除这个要求,采用史密斯预估器的思想估计出系统的状态,然后采用无模型的off-policy算法利用能够检测的数据找到动态最优问题的解。本文在计算反馈增益的过程中找到与求解输出调节问题的联系,进而得到前馈增益。3)通过对浮选过程的仿真实验验证了本文方法的有效性且性能比丢包Q-学习算法好。