水泥熟料游离钙(fCaO)含量是衡量水泥质量的重要指标，直接影响着水泥安定性和生产能耗。目前主要通过化学分析的方法离线测得水泥熟料fCaO含量，但是该方法对于烧成系统控制具有明显滞后性。本文以熟料fCaO含量为研究对象，提出基于多变量时间序列单维卷积神经网络(TS-CNN)、卷积神经网络与长短时记忆网络相结合(CNN-LSTM)两种熟料fCaO软测量建模方法，实现熟料fCaO的实时预测。具体研究工作如下：
　　首先，研究水泥烧成工艺及熟料fCaO产生机理，分析影响熟料fCaO含量的主要因素，选取与熟料fCaO相关变量作为软测量辅助变量；采用滤波去噪、数据标准化等方法，对各变量数据进行预处理。
　　然后，针对水泥烧成过程多变量耦合、强非线性等导致变量与熟料fCaO之间的时滞不确定问题，选取影响熟料fCaO多个过程变量的时间序列作为模型的输入；各变量对熟料fCaO影响程度不同，因此采用单维卷积池化的方式提取各过程变量特征，建立基于时间序列单维卷积神经网络的熟料fCaO软测量模型。
　　其次，考虑到三率值对熟料fCaO的重要作用，并针对水泥烧成过程大惯性时滞以及变量多率性问题，提出一种基于 CNN-LSTM 的软测量方法。先采用单维 CNN提取各高频过程变量时间序列的特征，随后将该特征与低频变量三率值融合作为LSTM的输入，通过更长时间段内的特征信息实现熟料fCaO预测。
　　最后，采用现场数据进行实验及分析，并与多种不同软测量模型的训练时间和训练预测效果进行对比分析，说明本文所提的熟料fCaO的实时预测方法的可行性与优越性。