水泥立磨系统中的生料细度是水泥生产中的一项重要指标,水泥生料细度的准确预测是水泥行业实现节能减排和智能控制的前提。然而,立磨系统的数据变量之间具有非线性、变时延和耦合性问题,传统的水泥生料细度预测方法难以解决上述问题,导致难以建立准确的水泥生料细度预测模型。针对生料细度预测中存在的上述问题,本文提出了二维卷积神经网络（Two-dimensional convolutional neural network,2D-CNN）生料细度预测模型,并且应用贝叶斯优化算法对2D-CNN模型的重要超参数进行优化,实现了水泥生料细度的准确预测和模型超参数的自动寻优。具体研究工作如下:首先,根据对立磨系统原料粉磨工艺的分析,初步确定候选的输入变量。应用k-近邻互信息算法分析候选变量与预测变量之间的关联程度,进而选择出对生料细度影响较大的几个变量。输入变量的选取可以降低预测模型的计算复杂度,减少了模型的训练和预测时间,为生料细度预测模型的建立做好了准备。其次,针对立磨系统中存在的非线性、变时延和耦合性等问题,采用滑动窗口的方法构造具有上述特征的数据矩阵作为2D-CNN模型的输入层,卷积过程中采用二维卷积核提取上述特征,可以有效地学习数据中的潜在规则,另外,采用预测模型监控策略可以有效地减轻2D-CNN模型的过拟合现象。通过上述方法可以有效的解决生料细度预测中存在的问题,实现生料细度的准确预测。最后,针对与2D-CNN模型结构有关的超参数难以选择的问题,以2D-CNN模型的预测误差为优化目标,建立了基于贝叶斯优化的2D-CNN超参数优化模型,避免了依靠人工经验选取超参数的局限性。采用某水泥企业现场的实际数据对上述方法进行仿真实验,实验结果表明上述方法可以实现生料细度的准确预测和模型超参数的自动寻优。