磨矿是矿石入选前的最后一道流程,其目的是将矿石中的有用矿物与脉石矿物解离,并严格控制入选矿石的粒度组成特性。因此,增加中间易选级别的产率是磨矿作业的重要目的。由于调整入磨矿石性质和更换磨矿设备成本较高,对成本较低的磨矿工艺因素进行优化成为提高磨矿产品中间易选级别产率的重要途径,但各磨矿工艺因素与磨矿产品中间易选级别产率之间的非线性关系难以表示。基于人工神经网络算法分析各磨矿工艺因素的影响,建立磨矿产品中间易选级别产率预测模型,可有效地提高磨矿产品中间易选级别产率,优化磨矿产品粒度组成特性。本文针对北衙金矿二选厂球磨阶段磨机处理能力低、产品粒度组成不合理以及旋流器分级效率低等问题,考虑磨矿工艺因素的影响,以磨矿产品中间易选级别-0.074+0.028mm产率为评价指标,构建误差反向传播（Back Propagation,BP）神经网络磨矿产品中间易选级别产率预测模型。并采用遗传算法（Genetic Algorithm,GA）对其进行优化,构建预测精度更高的遗传算法优化误差反向传播（Genetic Algorithm Optimization Error Backpropagation,GA-BP）神经网络预测模型,以该模型为适应度函数,利用遗传算法的寻优能力对磨矿产品中间易选级别产率进行优化研究,为改善北衙金矿二选厂球磨阶段磨矿产品粒度组成提供了理论基础。首先,进行单因素试验以及正交试验,得到各磨矿因素最佳的参数范围,并为构建BP神经网络预测模型提供数据支撑。同时,利用单因素试验以及正交试验得到的数据,对不同结构BP神经网络磨矿产品中间易选级别产率预测模型的进行分析,确定最佳结构的BP神经网络预测模型。研究表明,35×40mm与50×60mm钢段的补加量比值、介质充填率、磨机转速率、磨矿浓度、料球比这5个因素最佳的范围分别为1.3～1.7、26%～34%、72%～80%、68%～76%、0.4～0.8。最佳的BP神经网络结构为:输入层、隐含层、输出层节点数分别为5、11、1,隐含层为单层结构,训练函数为trainlm,隐含层和输出层的激活函数分别为logsig和purelin。在此基础上,对BP神经网络磨矿产品中间易选级别产率预测模型进行训练,磨矿产品中间易选级别产率实际值与预测值均方误差为2.81%,表明该模型具有一定可信度。其次,采用遗传算法优化BP神经网络预测模型,构建GA-BP神经网络磨矿产品中间易选级别产率预测模型,并对两种预测模型的样本相关系数以及预测的均方误差进行分析。优化结果表明,GA-BP神经网络模型的训练相关系数、测试相关系数以及总相关系数分别为0.99913、0.97872、0.95981,均高于BP神经网络模型的0.97864、0.96109、0.92028,且采用GA-BP神经网络模型预测得到的测试样本的均方误差为0.86%,低于采用BP神经网络模型的2.81%,验证了GA-BP神经网络相较于BP神经网络具有更高仿真精度。最后,利用遗传算法的寻优能力优化磨矿产品中间易选级别产率及相应的磨矿工艺参数。研究结果表明,GA-BP神经网络模型预测的磨矿产品中间易选级别产率为45.21%,相应的最佳磨矿工艺参数分别为:35×40mm与50×60mm钢段的补加量比值为1.46、介质充填率为32.15%、磨机转速率为78.02%、磨矿浓度为73.52%、料球比为0.68。在上述条件磨矿得到的产品中间易选级别产率为45.55%,与GA-BP神经网络模型预测得到45.21%的相对误差仅为0.7%。将优化方案与现场方案进行实验室试验,发现与现场方案相比,采用优化方案得到的磨矿产品待磨级别+0.10mm产率降低1.15个百分点,过细级别-0.019mm产率降低0.57个百分点,但中间易选级别-0.074+0.028mm提高7.29个百分点,磨矿细度-0.074mm产率提高6.89个百分点,且磨矿技术效率提高2.75个百分点,磨机-0.074mm利用系数提高2.63 t/（m~3·h）。说明采用遗传算法优化磨矿产品中间易选级别产率能够有效改善磨矿产品的粒度组成特性,为选厂优化磨矿产品的粒度特性提供了新方向。