浮选作为一种通过浮选药剂改变矿物表面物理化学性质从而分离不同成分的矿物的方法,对工业选矿意义重大。长期以来,由于浮选流程长、浮选工艺复杂、浮选控制参量多等原因,导致浮选精矿品位难以控制。本文立足于工业应用,根据浮选流程建模以及浮选控制参数优化中存在的难点,提出具体的解决和改进措施,主要的工作如下:(1)镍矿浮选系统介绍:通过对浮选原理分析进一步了解本系统的浮选工艺,从而分析浮选柱上的工况参数与目标品位之间的关系,指出工况参数对品位变化的影响,在这两步基础上,本文分析了镍矿浮选系统所面临的问题,提出了本文的主要任务。(2)针对数据采集过程中存在的过失误差以及随机误差进行处理:对于数据采集过程中的过失误差采取剔除的方式,以及根据随机误差的特性,提出一种结合滑动窗口滤波、3σ原则和算数平均值滤波3种滤波思想进行去噪;以及针对过程参数多、波动范围大导致模型不精确的情况,采用k-means聚类将不同的工况分开,并且针对聚类结果不可重复的情况,本文引入密度概念,对k-means进行了改进,最终使得聚类效果稳定并且具有可重复性。(3)针对浮选系统流程长、浮选各环节相互影响的情况,本文结合浮选工艺提出浮选过程参数是时间序列,并选择采取NARX对本系统进行模型搭建;本文针对NARX结构和工况分类情况,提出采用数据拼接的方法对不同时间段但同一类的数据进行拼接,避免了同一时间段数据太少不够训练的弊端同时兼顾NARX的结构;本文针对模型预测精度低的情况,采用动量共轭梯度法来计算神经网络的权值和阈值,发现取得了较好的效果;(4)针对本浮选系统是个复杂的非线性模型,而利用对目标函数要求较高的经典的最优化算法不适合通过求解最佳控制参数来提升精矿品位,本文采用了群体智能算法来寻找最佳控制组合。本文介绍了粒子群寻优,进一步的,本文针对粒子群算法迭代过程中飞行速度大小不变可能导致粒子在寻优时飞跃最佳最值的缺点,对惯性权重提出采用波形递减的方式来更新,得到的算法在寻优效果上更优于粒子群算法。(5)按照实际的工程需要,本文系统地阐述了镍矿浮选半实物仿真系统的搭建方法以及流程并以MATLAB为平台,在分析了软件需求的前提下,搭建了一个集建模、控制参数寻优和实时仿真的软件仿真平台,可以实时搭建模型、根据当前工况对控制参数寻优并且根据优化的控制参数和工况预测品位的变化趋势,并且将趋势图形化,提升人机交互友好性。