煤泥浮选过程是一个非线性系统,各因素之间的关系不能以简单的模型来确定,同时由于缺乏精确的检测装置,部分对浮选过程存在影响的因素不能纳入模型研究之中,多种原因导致了煤泥浮选预测模型的准确性较差,进而影响了整个浮选过程控制的准确性和稳定性。因此,本文采集了浮选现场的实际数据,尝试通过选择合适的算法建立准确性更高的浮选过程预测模型,设计更符合浮选过程的控制策略,对浮选过程的智能控制展开研究。论文以××选煤厂浮选过程为研究对象,构建了浮选过程参数采集平台;对于采集到的数据进行了数据预处理、滞后处理和相关分析,得到能够用于模型预测的浮选过程参数数据;基于深度学习框架分别采用DNN算法和GRU算法建立了浮选过程药剂预测模型和灰分预测模型,经过误差分析选择了GRU算法预测模型作为浮选过程预测模型;引入迭代学习控制,构建了浮选过程智能控制策略,设计了基于深度学习的浮选过程智能控制系统。结合选煤厂现场原有的检测仪表及控制网构建了浮选过程参数采集平台,明确了各参数数据来源及数据采集存储方法,实现了浮选过程参数实时和历史数据的采集,最终选取了煤种、原煤量、原煤灰分、起泡剂量、捕收剂量、浮精灰分、尾矿灰分共7组参数数据用于研究。对于采集到的数据进行了纯滞后处理、数据预处理和相关性分析。数据预处理主要包括异常值清理和缺失值填充,相关性分析明确了浮选预测模型的输入输出变量,确定了模型结构为“5输入,2输出”。基于DNN算法建立浮选药剂预测模型和灰分预测模型,对模型测试结果做误差分析,判断误差产生原因并进行优化。针对于数据量不足这一点,引入时间因素,改用GRU算法构建浮选预测模型,对两组模型做比较分析,确定模型预测质量得到优化,最终得到基于深度学习的浮选过程神经网络预测模型。在原有的PID反馈控制器基础上,引入基于神经网络模型预测的迭代学习控制方法,构建了浮选过程智能控制策略。最终在论文前面研究的基础上设计了浮选过程智能控制系统,包含数据采集存储、数据处理分析、预测模型仿真、控制模块四部分。论文有图34幅,表32个,参考文献67篇。