浓密机是选矿过程和水处理必备的工艺设备,其最重要的生产指标之一就是底流浓度。但浓密机底流浓度控制的主要依据——浓密机泥层高度的实时检测却很难实现,大大降低了浓密机的使用效率。可见,研究针对浓密机泥层高度的建模与在线校正问题具有重要的理论与实际意义。本文首先介绍了浓密机的生产流程与工艺,并依据浓密机运行机理分析建立了浓密机泥层高度机理模型,从而,对其沉降浓缩机理及慢时变特性有了深入了解,为后续研究提供了机理理论基础与仿真数据支持。在机理模型的基础上,将基于数据驱动的偏最小二乘方法(PLS)引入该慢时变系统建模中,分别利用基本PLS算法、经典的递推PLS算法以及自适应的折息块式递推PLS算法建立浓密机泥层高度的预测模型,仿真结果表明,自适应的折息块式递推PLS方法建立的预测模型可以较为有效地解决浓密机泥层高度的预测问题。尽管递推PLS方法能够解决具有慢时变特性的浓密机泥层高度预测问题,但递推PLS算法的不断在线学习建模策略存在着资源浪费以及误学习等问题,为此,本文应用主元分析(PCA)监测理论对模型进行监测,再利用基于变量贡献的增量PLS进行在线校正学习,进而提出了针对慢时变系统的在线校正PCA-PLS方法。通过对浓密机泥层高度的预测仿真研究,验证了本文提出的PCA-PLS在线校正算法的有效性。