随着大数据时代的到来，国家对于传统制造业从传统制造到智慧制造提出新要求，利用大数据、人工智能和“互联网+”的思想等现代科技手段提高生产质量和生产效率，成为现代工业发展的新趋势。我国工业铝电解生产工程虽然完整，但是仍存在一些问题:　　(1)日常生产过程中，电解槽的槽况水平不能科学的作出评估，原材料、催化剂的加入仍然依靠人工经验。　　(2)现在存在的专家系统、六西格玛管理系统不能很好地对日常生产制度做出合理的规划、预测，导致系统所给出的参考数据对生产活动的意义不大。　　为了解电解槽在日常生产中的槽况规律，维持铝电解生产的持续性，保证电解槽的物耗稳定和能耗稳定，本文通过对铝厂数据的挖掘与建模，提出一整套维持电解槽稳定的策略方法，并用于指导实际生产。通过对于相关内容的研究现状总结分析，对铝厂数据和生产过程的调研，本文的主要研究内容如下:　　(1)首先对所有槽的半年数据进行融合，对融合后的数据做缺失值填补、去噪等预处理工作，得到较完整干净的数据。　　(2)针对铝厂数据分布特征未知的特点，结合现有模糊聚类算法的优缺点，发现模糊C聚类算法存在一些可优化的方向，提出一种无参的自适用模糊C聚类算法(Self Applying Fuzzy C-means algorithm without reference, SANR-FCM),通过迭代自适应得到类簇个数和簇中心，算法改进了传统模糊C聚类算法的损失函数，不仅考虑了点对簇的隶属关系，而且添加了熵项来控制加权指数和隶属度，以此通过迭代过程中隶属度和类簇的实际情况自动更新隶属度和类簇个数，解决了模糊C聚类的初始化参数影响聚类结果的问题。算法在UCI数据集和铝厂数据集上皆表现出了良好的实验效果。　　(3)根据聚类结果，将铝厂数据按实际意义标签化，提出一种基于距离相似性度量的动态朴素贝叶斯算法(Distance Dynamic Naive Bayes-DNB)，算法结合铝厂数据的实际特点，总结朴素贝叶斯在连续型数据上应用的缺陷，以及非参数估计在铝厂数据上计算分布函数的效果不佳等因素，改进的朴素贝叶斯算法给出了一种基于点与其余点距离作为点与簇的重要性考量的方法，通过点与点得距离描叙点对簇的重要程度，并对分类器使用增量思想，使算法动态分类准确率得到提高。使用UCI数据和铝厂数据对改进算法进行验证，实验证明改进的朴素贝叶斯算法在铝厂数据上表现较非参数估计和朴素贝叶斯算法有较稳定和准确的表现。　　(4)应用单槽历史数据，结合构建的分类器，通过累积法完成当天各指标等级趋势的预测，并确定各指标下变量相对于前一天的变化量，完成相关指标的预测。　　实验发现，整个预测模型可完成铝电解关键指标的预测，为铝厂日常生产规划提供数据支持;提出的无参的自适用模糊C聚类算法可以在无初始化参数的同时完成聚类、基于距离相似性度量的动态朴素贝叶斯算法在UCI数据及铝厂数据上变现稳定且良好。