重介质选煤是煤炭生产的重要工序,在我国能源结构优化与环境保护需求日益迫切的情况下具有重要意义。当前,选煤智能化是实现生产提质增效的有效抓手,其关键技术是运行优化控制。重介质选煤运行优化控制的目的是使表征精煤产品质量的运行指标,即灰分能够达到工艺的要求,系统的运行状况接近最优,提升煤质,同时保证生产稳定,进而实现减少环境污染以及提高煤炭资源利用效率的目的,具有重要的社会、经济价值。运行优化控制一般采用基础回路控制和运行层回路设定值优化的分层结构。当前重介质选煤过程的运行优化控制主要采用了基于数学模型的控制方法,但是此类方法存在较大的局限性。例如,运行过程的动态特性未知,机理复杂难以建立准确的数学模型,且易受到多种不确定性因素的影响等,严重阻碍了基于模型的重介质选煤控制系统的设计。数据驱动的运行优化控制方法可以避免模型失配,具有一定的自适应能力和抗干扰能力,但现有重介质选煤过程运行优化控制方法仍存在较多尚未解决的问题,如多时间尺度,从而难以直接应用于实际工业生产。本文在国家自然科学基金“多模态多时间尺度工业过程自学习运行优化控制方法及应用”的资助下,围绕重介质选煤过程,利用数据驱动技术,开展了自学习运行优化控制的研究,主要工作与贡献包括:(1)深入分析了重介质选煤过程工艺、影响因素、分层结构,特性及其对运行优化控制带来的挑战性难题。(2)针对重介质选煤基础回路过程的非线性和强时变等特性,为提高重介质悬浮液密度在线自适应调整,将自适应PI控制与基于随机向量函数链接网络(random vector functional link network,RVFLN)的虚拟未建模动态补偿器相结合,并采用了能够保证收敛的模型参数更新算法,建立了一种模型与数据混合驱动的自适应控制算法,分析了未建模动态网络的收敛性和基础回路闭环控制系统的稳定性,有效提高了回路层重介质悬浮液密度控制系统的性能。(3)针对重介质选煤运行过程机理复杂且难以建立数学模型,以及基础回路层与运行层存在双时间尺度的问题,为实现设定值优化,首先采用提升技术将基础回路闭环控制系统的动态代入到运行层中,构建了以回路设定值为输入、运行指标为输出的广义被控对象,统一了时间尺度;随后,针对运行层和回路层两层动态所组成的模型未知的广义被控对象,通过利用运行数据,采用RVFLN建立了广义被控对象估计模型,并在此基础上设计了基于迭代自适应动态规划(adaptive dynamic programming,ADP)的数据驱动运行层回路设定值优化算法;通过对算法的性能分析,表明所提算法能够保证回路设定值收敛到最优值,从而最终实现具有自学习能力的重介质选煤过程的运行优化控制。(4)将所提方法在自主研发的重介质选煤过程半实物仿真平台上进行了仿真实验,结果证明了本方法的有效性。该论文有图33幅,表1个,参考文献68篇。