目前，浮选过程常规检测仪表，如液位高度、充气量量、矿浆浓度等已成熟可靠，并且实现了大规模应用;在此基础上，浮选过程连锁过程控制主要实现了顺序开车、逆序停车、设备的安全报警和保护等。
浮选过程基础控制主要围绕着浮选机/柱系统、加药系统和酸碱度控制进行设计和开展。
浮选机和浮选柱液位控制通常采用激光料位计和浮球作为液位高度检测仪表、气缸和锥阀作为执行机构，通过单回路PID控制算法或者模糊PID控制算法实现闭环控制;充气量控制系统则采用热式流量计为检测机构、调节阀作为执行机构，也是通过PID控制算法实现单回路闭环控制;浮选机控制系统同时还可以检测浮选机上下轴承的温度信号，实现温度报警，保证了设备安全。
随着选矿工艺处理量日益增大的需求，传统的电磁阀加药系统已逐渐不能适应，计量泵式、脉动式加药机、电磁流量计和螺杆泵组成的闭环系统已逐渐大范围应用，其中计量泵式和脉动式加药机具有节省空间和高差，加药机精度高的特点;电磁流量计和螺杆泵具有抗渣子性能良好的特点。浮选加药机系统在满足正常加药机的功能下，也可实现加药量和累积和报表呈现。
浮选过程酸碱度控制通常采用工业带冲洗水的pH计作为检测机构，管夹阀或者特定的气动锥阀作为执行机构，实现单回路控制。
近些年浮选过程的智能控制主要进展如下：
基于前馈控制原理，建立了浮选液位模型，实现了浮选全过程液位协同控制，有效抑制了干扰，缩短了浮选波动时间。根据铜浮选过程泡沫图像分析得到泡沫破碎率和承载率与尾矿品位之间的关系，运用聚类分析方法得到专家规则，从而给尾矿锌品位的调节提供指导。同时，国内基于泡沫移动速度参数开展了单个浮选作业的产率控制，并且取得较好的成效。国内选厂操作人员基于X荧光分析结果，手动调整加药量和充气量等参数，稳定和提高了浮选指标，但是基于X荧光分析仪的浮选全流程优化控制算法尚未成熟。
国内许多学者针对浮选过程优化控制，开展了浮选过程指标建模、预测与优化方法研究，以及大量基于泡沫图像处理技术的研究，为了给浮选操作提供浮选工况和浮选过程参数，研究了泡沫图像与浮选过程工况、浮选精尾矿品位、回收率、pH等变量之间的相关性进行了建模研究。
浮选指标建模、预测与优化方法研究。王会清对浮选过程优化控制的功能和结构进行研究, 提出了集中管理、分散处理问题的总体控制方案,确定了在精矿品位一定的条件下, 使回收率最大的总目标函数。并建立了精尾矿品位与药剂量、充气量、液位、给矿品位、矿浆浓度的多元线性回归模型，采用实时最小二乘法进行动态模型的在线识别和操作参数的动态补偿。耿增显提出了由基于案例推理的预设定模型、基于规则推理的反馈补偿模型组成的浮选药剂智能优化设定控制方法，在浮选给矿边界条件发生变化时, 给出浮选药剂量优化设定值,将精矿品位和尾矿品位控制在目标值范围内。李启福 针对浮选过程分别建立了精矿品位与回收率的关系模型以及回收率的机理模型，由于机理模型的简化和假设，其预测结果误差较大，不能满足工业需求，为此基于泡沫图像特征探讨了精矿品位的数据建模方法，建立了以泡沫特征数据为输入的B样条偏最小二乘精矿品位预测模型，该模型对预测精度有所提高，但其泛化能力较差，预测结果不稳定，而机理模型有较好的泛化能力，采用信息熵的方法将机理模型与数据模型集成，建立了精矿品位预测的集成模型，为建立优化控制系统提供依据。李海波采用规则推理与案例推理技术, 建立基于案例推理的浮选过程预设定模型, 基于RBF 神经网络的精矿品位和尾矿品位软测量模型, 以及基于专家规则的前馈、反馈补偿模型组成的浮选过程混合智能优化设定控制方法。刘利敏利用BP 神经网络标准函数建立了浮选过程回收率与矿浆浓度、pH 值、充气量大小、药剂用量以及泡沫层厚度五个参数之间的关系模型。彭秀云针对德兴铜矿大山选矿厂选矿工艺流程,研究多回路浮选液位系统控制算法及结构，开发液位自动控制系统，并提出控制系统的优化方案。高嵩使用推理控制方法开发浮选液位控制系统，并在罗克韦尔RSLogix5000软件中实现仿真。
在浮选加药控制方面，赵礼兵介绍了一种用归一参数整定法和积分分离法及设置不灵敏控制区的方法，对药剂添加的PID控制进行参数整定和算法改进，以提高控制性能。林威选取了饱和度、灰度值、能量、墒值、惯性矩值5个参数,结合浮选综合效率和药剂用量建立了回归模型，利用所得模型对浮选泡沫图像进行识别,作为PLC加药控制的依据。刘金平提出一种基于泡沫大小动态分布特征的具有自学习功能的浮选生产过程加药量健康状态统计模式识别方法，通过泡沫图像分割、气泡尺寸分布核密度估计获得浮选气泡大小的概率密度分布函数,采用简单的贝叶斯推理方法对浮选药剂操作健康状态进行自动识别与评价。唐朝晖在泡沫图像特征提取的基础上，提出一种基于自适应遗传混合神经网络的预测模型，先利用主元分析( PCA) 方法对提取的多个图像特征进行降维，然后采用自适应遗传混合神经网络(AGA-HNN)建立pH值预测模型，根据预测值实时调整工况条件。
J. Bouchard等在回顾浮选柱模拟机控制时将控制分为三个层次：稳定浮选柱输入，控制品位回收率，经济指标。C. Aldrich等总结了泡沫图像信息用于浮选控制是四种策略：识别浮选状态，推断估计操作变量，使用过程控制图和经典控制。B.J. Shean等将浮选控制总结为四层：仪表，基础控制，高级控制，优化控制。其中高级控制分为产率循环负荷控制和品位回收率控制，优化控制分为基于模型和专家系统两种，并给出了应用案例和常用方法策略。但文章最后也表示尽管自1970年以来对基础控制做出了很多改进，但全自动的高级和优化的浮选控制系统长时间运行成功的报告仍然几乎没有。Daniel Hodouin在对控制器进行回顾是着重阐述了分散PID器，基于模型的控制器和内模控制器。
Gianni B等使用多元图像分析提取泡沫图像结构，此外还引入了灰度共生矩阵和小波分析，最后开发基于泡沫结构的控制策略。J. Kaartinena等采用泡沫图像数据及过程数据进行专家系统控制。B.K. Loveday等整合选厂测量数据建模优化。M. Maldonado等采用动态规划法开发粗选控制算法。S.M. Vieira等开发浮选柱的实时模糊预测控制系统。J. Jay Liu等提出一种采用因果模型预测泡沫状态控制浮选过程。Daniel Sbarbaro等提出一个监控系统算法，不是以规则为基础，并进行仿真。M. Maldonado等模型预测控制在优化浮选柱上的应用进行探索,充气量控制基础回路还是使用PI控制器。Olli Haavisto等提出一种根据系统数据分析操作员操作水平和工作方法，通过聚类和自组织映射检测和展现浮选工特有的操作习惯。Nunez. Felipe等提出分级混合模糊控制策略，分成基础级和工艺级，另根据品位和回收率分为三个不同的工况。P. Ghobadi等浮选过程建模使用一阶动力学模型，离散分布速率为常数，然后应用遗传算法，并划分了四个基础规则。O.D. Chuk等提出一个基于预测给定值轨迹的方法用于基础控制回路，并将多目标加权成单目标进行简化，使用了非支配遗传算法和帕累托最优集分类标准。L.G. Bergh等和Danny Calisaya等均对多变量预测控制方法在浮选上的应用进行了研究。Nakhaeie F.等使用前馈人工神经网络预测铜钼品位。Bergh L.等根实际数据建立预测模型并与专家系统相结合对粗选进行控制。Sydney Mantsho等介绍了mintek的FloatStar在塞罗巴约山银矿应用情况，稳定浮选流程，结合分析仪后可控制精矿品位。
QQ交流群
