磨矿过程是选矿工艺流程中最重要的一环。我国赤铁矿矿石储量较大,但品位低、嵌布粒度细、成分复杂,频繁的粒度分布波动和硬度变化使得磨矿过程难以保证最终磨矿产品的质量。磨矿分级过程的在线优化运行能够减少磨矿产品的粒度波动,提高磨矿产品质量。在激烈的市场竞争条件下,选矿企业对通过优化磨矿分级过程来提高磨矿产品质量的要求日趋迫切。磨矿过程本身的大惯性、强耦合、参数时变等特性使得磨矿过程优化控制难以建立精确机理模型。为此,本文研究了一种基于经验知识的在线优化方法,将案例推理技术应用到磨矿过程的在线优化中。通过研究磨矿分级过程机理,深入分析了磨矿过程优化设定的影响因素,确定了在线优化模型的输入输出变量。设计了基于案例推理的过程优化架构,提出基于网格聚类的两级案例检索方法,减少了案例检索时遍历案例的数量,为在线优化提供了时效保证。将k均值聚类方法应用到案例库维护策略中,提出基于聚类分析和最近邻算法相结合的案例库维护方法,减少了冗余案例,为实时案例检索提供了保证。由于矿石来料品质的频繁波动,磨矿过程优化的边界条件变化频繁,严重影响优化设定值的准确性。为了提高优化效率,本文研究了一种知识与数据驱动的在线优化补偿方法,将贝叶斯网络方法应用于磨矿过程的在线优化补偿中。结合专家经验和实验数据建立了贝叶斯网络补偿模型,实现了对给矿量、磨矿浓度、溢流浓度设定值的补偿。最后对磨矿分级在线优化与在线优化补偿整体过程进行了仿真,结果表明,本文方法具有可行性。