混合选别过程包括磨矿环节、浓密环节和浮选环节,是实现高效选矿的重要方法,其中浓密过程和浮选过程是本文的研究重点。浓密过程是根据重力沉降原理实现矿浆的固液分离的物理过程,浮选过程是利用矿物表面的自带的或者由药剂作用得到的亲水性和疏水性的差异将有用矿石与脉石分离的物理过程。浓密过程是浮选过程的上游环节,控制目标是令浓密过程的矿浆浓度稳定且保持在工艺约束范围内,经过浮选过程得到的精矿品位和尾矿品位在目标范围内,相关的过程变量也要在物理允许范围内。浓密过程和浮选过程具有复杂的动态结构和动态特性。针对这两个复杂工业过程,本文的主要工作有以下几个方面:1.由于浓密过程中变量物理特性的差异,该过程具有双时间尺度,而且动态结构参数具有不确定性和时变性,使得传统的、模型驱动的控制方法失去了应用价值。所以基于浓密过程双层动态结构,结合控制目标,1)针对浓密过程存在的双时间尺度问题,本文根据快慢变量变化速度的差异,采用奇异摄动法将系统中变化速度不一致的快变量和慢变量分开,将存在双时间尺度的系统分解为两个独立子系统,得到奇异摄动系统,消除系统“刚性”;2)针对浓密过程的非线性、不确定性等复杂特性导致难以建立准确的模型的问题,建立运行优化指标,采用增强学习中的Q学习算法对最优控制律进行迭代学习求解,仅需要系统的可测变量数据,无需依赖系统的动态模型参数。本文实现了奇异摄动法与增强学习法的结合,提出工业奇异摄动增强学习算法,以更加高效简单的方法解决浓密过程多时间尺度问题和运行优化跟踪控制问题,使得进入浮选过程的矿浆浓度达到对其期望值满意的跟踪效果且保持稳定,变化量也在物理约束范围之内。2.浮选过程作为典型的复杂工业过程,具有非线性、多变量、多输入多输出、强耦合性、参数时变性等复杂特性。所以,1)针对其动态系统的非线性、参数时变以及系统存在随机扰动的情况,利用浮选过程运行在工作点附近的特点,本文引入未建模动态的概念,基于其动态机理模型建立了浮选过程输入输出动态模型,将浮选系统表示为线性部分和未建模动态项的和,未建模动态包含线性化之后的高阶非线性部分、时变参数在其工作点附近的波动导致的系统变量的波动以及随机扰动对系统变量产生的波动。根据前一时刻未建模动态可精确测量的特点,用前一时刻未建模动态对当前时刻未建模动态进行补偿,从而减小系统未建模动态值,避免因未建模动态值过大对系统稳定与控制造成的不利影响;2)为了避免补偿后的未建模动态对系统稳定存在的不利影响,对未建模动态补偿后的系统采用基于增强学习的H无穷控制算法,用离线策略增强学习迭代算法求解系统的最优控制律,实现数据驱动控制,提高系统鲁棒性,使系统稳定运行,保证其运行指标精矿品位和尾矿品位在工业误差允许范围内的满意的跟踪性能的控制目标。3.利用MATLAB仿真平台进行仿真实验,分别以浓密过程和浮选过程验证了奇异摄动与增强学习相结合的数据驱动双时间尺度运行优化反馈控制算法,和未建模动态补偿与基于增强学习的H无穷控制算法相结合的数据驱动运行优化反馈控制算法的有效性,其中包含两组对比实验。