立磨生料粉磨过程是新型干法水泥生产中非常重要的环节,粉磨过程是否稳定、生产指标是否满足要求等因素直接影响着最后生料品质和后续的煅烧环节。现阶段,立磨生料粉磨过程还没有较为精确的模型,并且生料细度等指标还无法进行在线检测；与此同时,影响粉磨过程的关键变量需要操作人员进行人工设定,不能跟随粉磨工况的变化进行实时调整,难以使工艺指标达到期望的目标值。因此,建立立磨生料粉磨过程的指标预测模型并且根据不断变化的工况及时对影响粉磨过程的关键变量进行优化设定,对提高生料品质、保障设备稳定运行以及降低电耗等方面具有重要的意义。本文从建模和优化设定两个方面入手展开深入研究。首先,阐述了立磨生料粉磨过程建模及优化的研究现状,详细介绍了案例推理技术和粒子群优化算法的原理与应用。其次,在深入分析立磨生料粉磨过程具体工艺流程和参数要求范围的基础上,确定了建模和进行优化设定的关键变量；详细论述了加动量的小波神经网络(WNN)的结构和学习算法,通过采用在水泥厂实地采集的数据,分别基于WNN和BP网络建立了立磨生料粉磨过程指标预测模型,并且对比了这两种模型的性能。再次,本文基于案例推理技术,并结合粒子群优化算法,提出了一种针对立磨生料粉磨过程关键变量的智能优化设定策略,利用粒子群算法对原始案例数据进行优化,建立典型案例库,当新工况来临时,利用加权的最近相邻法对案例进行搜索,经过案例重用确定当前工况的设定值,并将设定值送入WNN预测模型中验证是否使生产指标达到目标期望,根据期望值和预测值之间的差值利用专家规则对设定值进行修正,得出当前工况的最优设定值；最后,将智能设定方法和监控软件相结合,利用LabVIEW设计了优化设定软件,对人工设定进行指导。通过实验仿真,验证了基于WNN的指标预测模型相比较BP神经网络模型收敛速度更快、泛化精度更高；采用案例推理技术与粒子群优化算法相结合的智能优化设定方法,不仅优化了案例数据,而且对于不断变化的工况可以及时给出相应设定值,避免了设定值调节的滞后性和主观性,对于立磨生料粉磨过程的操作及设定具有指导作用,在稳定生产、提高效率、降低电耗等方面具有重要的意义。