1、跳汰選礦是物理選礦的一種重要方法。我國目前入洗原煤的50％左右是用跳汰機分選的。 跳汰機作為跳汰選煤的關鍵設備，其控制包括分層和排料兩個方面，控制效果的好壞直接決定了分選效率的高低。由于傳統(tǒng)的控制方法是基于精確的系統(tǒng)數學模型的控制，適于解決線性、時不變等相對簡單的問題，而對于跳汰機這樣復雜的非線性、大滯后系統(tǒng)，建立精確的數學模型極其困難，因此傳統(tǒng)的控制方法很難達到良好的控制效果。本文的主要研究工作包括: 在詳細分析了影響

2、跳汰機分選效果的因素后，指出:盡管分層是排料的前提，但跳汰是一個連續(xù)的過程，分層和排料是同時進行的，排料的好壞直接影響著分層效果，分層和排料的共同作用決定了跳汰機分選效率的高低，跳汰機的控制必須將二者結合考慮，而目前的控制系統(tǒng)仍然是簡單的、粗放的控制，問題的關鍵是沒有解決跳汰床層分層狀態(tài)的在線檢測。 分析了跳汰床層γ射線分層狀態(tài)檢測系統(tǒng)的構成及實現方法，有效解決了分層狀態(tài)的在線檢測問題，為跳汰機有效控制系統(tǒng)的建立確定了基本的、可

3、靠的平臺。通過采集分層狀態(tài)典型樣本數據，使用人工神經網絡和支持向量機學習算法，建立了跳汰機分層、排料一體模型。 提出了把跳汰機分選效果(終極目標-矸石帶煤)作為目標函數，即把性能函數直接作為目標函數，而把分層和排料的眾多過程變量作為輸入，利用人工神經網絡的分布并行處理、非線性映射、自適應學習和魯棒容錯等特性，通過實驗確定了適合跳汰機特性的網絡拓撲結構、隱含層數目、隱含層節(jié)點數，并用遺傳算法對神經網絡的權值和閾值進行了優(yōu)化。

4、 研究了基于統(tǒng)計學習理論的支持向量機算法在跳汰機矸石段的模式識別問題，發(fā)現專門針對有限樣本情況的支持向量機比人工神經網絡具有更大的優(yōu)越性，表現在測試誤差進一步變小。對支持向量機的核函數進行了線性函數、多項式函數、徑向基函數和S型函數的對比，并利用最小二乘支持向量機進行了仿真，針對此項研究，發(fā)現了徑向基函數作為核函數時訓練誤差和測試誤差均較小。 由于預測控制注重的是模型功能，而不是結構形式，過程的描述可以通過簡單的實驗獲得，不需

5、要深入了解過程的內部機理。因此，預測控制算法改變了現代控制理論對模型結構較嚴格的要求，更著眼于根據功能要求，按最方便途徑建立多樣性模型。這一點對于跳汰機這種理論嚴重落后于實踐的系統(tǒng)尤為適用。 從模型算法控制、動態(tài)矩陣控制和廣義預測控制這三種預測控制算法和基于神經網絡的預測控制分析入手，提出了利用事先離線訓練好的神經網絡預測器，通過預測下一時刻的矸石帶煤量實現跳汰機風閥周期預測控制的方法，并利用BP神經網絡構建了矸石帶煤預測器以及