球磨作业利用磨矿介质高频次冲击矿石使其粒度减小,为后续分选作业提供尺寸适宜、解离度高的给矿。内蒙古某铁矿选厂中磨矿作业是选厂中电耗最高的环节,花费极大。一般的技术改造,如优化介质级配等,已不能进一步降低能耗,因此,本研究拟建立吨矿能耗与球磨作业操作参数的预测模型,找到最优生产条件,进而节能增效。考虑到球磨作业中因素耦合性强、响应慢的特点,难以建立准确的数学模型,因此考虑用神经网络构建模型,以球磨作业中介质填充率、磨机转速率、矿浆浓度、料球比作为输入,以吨矿电耗作为输出。此后,充分论证BP神经网络和RBF神经网络在本研究中的适用性,最终优选了RBF神经网络作为建模的框架。针对该铁矿成份复杂、给矿波动大以及因工况动态时变导致的辨识能力低等问题,采用粒子群算法优化RBF神经网络结构参数,避免由人工经验选择结构参数的盲目性,之后用标准数据集检验并校正,使模型拟合误差由54.6%减小到32.9%,±50KWh内的样本点数由7个增到13个,能够精确、快速的拟合该铁矿球磨作业能耗。从现场采集105组有代表性的数据供预测模型学习,建立了给矿硬度(可磨度)、操作条件组合、吨矿能耗间的神经网络。将训练后的预测模型应用,在给矿硬度波动的情况下,该模型能及时给出相应的最优条件组合,指导生产。最终结果显示:球磨作业吨电耗降低2%左右,同时减少了“过负荷”、“欠负荷”等问题的发生。本研究为实现该铁矿的节能降耗提供了新的途径。本研究的思路、建模方法对其他过程作业优化也有一定的借鉴意义。