水力旋流器是利用离心力场分离不同粒度混合物的高效分离设备,在选矿过程中得到了广泛的应用,而水力旋流器溢流粒度则是衡量其工况的一个重要参数。测定水力旋流器的溢流粒度分布,将其返回到控制回路,保证旋流器粒度组成的最佳化,可以提高金属回收率、降低能耗、增加处理量。由于水力旋流器内流场的复杂性,影响因数和指标参数之间的关系是一个典型的多维非线性系统,很难用简单的线性数学工具来描述,因而很难提出一个系统完整的、简单准确同时又具有一定深度广度的通式。因此,建立准确的模型有一定的难度。本论文是在对磨矿分级工艺、水力旋流器的数学模型和工作原理进行深入分析的基础之上,选取软测量模型所需要的辅助变量,建立了基于BP神经网络的水力旋流器溢流粒度分布的软测量模型。针对BP算法容易陷入局部极小和收敛速度慢的问题,本文利用具有全局搜索能力的群集智能优化方法—粒子群优化算法(PSO),进行优化得出接近全局极小的BP神经网络初始权值和阈值,在此基础上采用BP算法来对问题进行建模,以此来提高神经网络训练效果。对于粒子群优化算法(PSO)的早熟现象,采用一种非线性调整惯性权重思想的PSO算法,并对算法进行了性能测试,测试表明：非线性递减权重PSO算法收敛速度快、搜索精度有了提高。为了检验PSO-BP算法的效果,本文对M-G混沌时间序列的预测问题进行了仿真实验,其结果表明,采用非线性递减权重的算法在一定程度上改善了神经网络的泛化能力。最后,对建立好的软测量模型进行了仿真,从模型的预测效果可以看出,本文所建立的基于BP神经网络的软测量模型能够较好的预测水力旋流器溢流粒度的分布情况。