铝制造业是我国国民经济的支柱产业之一,最近两年总资产贡献率均超过10%,高于全国工业9%的平均水平。铝具有铸造性强,密度小,不易腐蚀等优点,在航空航天、建筑装饰、电子家电等领域被广泛应用。过热度是铝电解过程中的一项重要参数,具体定义为铝电解质温度和初晶温度的差值。将过热度控制在合适范围内可以减小电流造成的损耗,延长电解槽寿命。由于实时测量过热度难度较大,因此对未来时间点的过热度进行预测从而进行防护防治显得尤为重要。针对过热度预测的问题,本文结合粒计算和时间序列数据挖掘等理论展开了如下研究工作:1.针对过热度无法有效的进行实时测量的问题,提出了一种基于多粒度的铝电解过热度预测模型(Prediction Model Based on Time Granularity,PMBTG)。首先,进行数据的预处理,对原始数据中频率不同的两部分数据进行频率统一,选择出合适的属性用于构建特征;其次,基于多粒度思想,定义时间片大小,在时间片内划分时间粒,并结合时间粒构建新的特征集与样本集;然后,对样本数不平衡的小样本集进行过采样处理使得样本数接近于1:1;最后,利用分类器对新的样本集进行训练,得到基于多粒度的铝电解过热度预测模型。通过在山东魏桥铝电有限公司提供的生产数据的实验,表明该方法能够有效解决过热度预测问题,在Precision,Recall,F-Score等指标上优于文献中其他模型。2.针对铝电解数据量大、维度高等特点,基于Spark并行计算框架,提出了基于多粒度的铝电解过热度并行预测模型。首先,将原始数据读入Spark的RDD中,根据电解槽编号进行数据划分;其次,对PMBTG算法中提出的特征集构建和样本集构建分别实现并行化,从而得到每个分区的小样本集;最后,合并所有分区的结果得到总样本集。将总样本集划分为测试集、训练集和验证集,采用不同的分类器对样本进行训练,得到模型。调用分类算法在山东魏桥数据集上分别验证并行算法的可靠性和高效性,实验结果表明,该并行算法能够在保证原算法可靠性的基础上,解决算法在大规模高维数据集上运行时间过长的问题。为了便于生产线工人使用模型,本文设计并编写了铝电解槽过热度预测系统,界面简洁,操作简单。