随着互联网和信息技术的飞速发展,大数据在各行各业中都发挥了重要的作用。烟草行业为顺应时代的大潮和国家发展的需要也积极地引进大数据技术,并拥有了一定的智能制造应用基础,但卷烟生产过程中的工艺控制方面仍需要大量的人工干预工作,这就引发了更多智能化需求。制丝过程中的烟丝含水率是卷烟生产中重要的控制指标,烘丝机出口水分的控制又是其中的关键一环,其内需要调控的参数较为冗杂,数据存在多扰动、非线性、高耦合等特征大大增加了处理和建模的难度,初期实验的结果不够理想。但随着机器学习等算法的骈兴错出与不断更迭,为工业控制打开了新的思路,智能控制需要数字化、流程化的解决方案。故而,本次研究就将基于机器学习相关方法,针对不同的出口水分需求,给出关键工艺参数、设备参数的最优取值组合,以实现对烘丝机出口水分的精细化控制目标。本文将基于某卷烟规格2021年8月至10月隧道式增温增湿工序及叶丝干燥阶段近100个生产批次,约15万条数据,运用R与Matlab软件完成烘丝机出口水分控制研究。在数据预处理后,提取了研究问题中对出口含水率影响最大的一部分工艺参数,经过结构学习与参数学习构建控制变量与叶丝干燥含水率间的贝叶斯网络模型。之后,从生产实际出发,对模型进行四阶段的优化,并按出口水分设定值将数据分为六类,分别基于总数据集与六类数据集分别对设备参数、工艺参数与叶丝干燥含水率的复杂关系重新建模,完成贝叶斯网络推理任务。最终针对性的制定出七份烘丝机出口水分控制策略,并于测试集中进行控制效果评估,叶丝干燥阶段出口含水率落入最优区间的概率平均上升0.2612,成效达到预期。本次研究充分利用了数据这一新型生产要素,在一定程度上为修正当前叶丝干燥含水率的分布情况奠定理论及应用基础,为卷烟企业在制丝阶段关键工序中含水率的智能化控制需求提供了新的思路。