在流程工业中,生产管理过程普遍采用DCS分布式的控制管理系统,它可以实时地监测流程工业的生产状态,形成状态数据。流程工业的生产过程强调实时性和高效性,而通过对实时采集到的工业数据流进行在线数据挖掘,可以更有效的挖掘出对实际生产活动有价值的技术知识,并可以对工业数据快速的做出响应,更好的辅助决策于生产。本文以完整的燃煤锅炉生产过程作为研究对象,针对工业数据流规模不断增长、对象实时更新、价值随时间衰减等特点,提出了一种增量式模型更新的实时知识发现算法。算法包含数据预处理、基于滑动窗口的数据流聚类、概念迁移判断、关联链挖掘、模型预测更新。并在算法的各个阶段采用Spark框架进行并行加速,以此实现知识发现效率的提升。最终设计了流程对象在线实时知识发现系统,并在某热电公司进行部署与应用。在锅炉生产中,工业数据流是通过所有生产环节的数据集成汇聚得到的。采集过程难免会存在噪声,所以首先要对数据进行清洗。而后要挖掘所有环节正确的时序。本文采用基于差分极值的算法进行时序计算。得到的序列次序,为后续关联规则筛选作铺垫。对于数据流来说,需要考虑数据价值衰减的问题。而生产人员比较关心的是近期时间内的锅炉状态,本文采用了基于滑动窗口的数据流聚类算法来保留近期的工况变化,并降低数据的离散程度。并对比数据流到来前后的聚类结果,如果发生明显变化,可以判定发生了概念迁移,此时锅炉的工况可能发生巨大的改变,迫切需要发现新的知识,所以继续进行后续知识发现算法;如果没有发生明显变化,就继续等待下一个采样窗口。在关联链挖掘阶段中,针对流程对象多环节性的特点,本文采用了基于FP-Growth的维间关联规则算法,并加入兴趣度与关联度的计算。通过计算规则频数占比计算环节间的关系(关联度),形成各环节间关联度表;最后通过时间序列以及关联度表串联生成最终的关联链。关联链是一种链式的关联规则,能够形象的体现出环节间状态的关联。各环节的关联链,以及前一阶段滑动窗口中的近期锅炉工况状态数据,都为模型预测打下良好的数据基础。本文采用了柔性神经树算法,获得关键参数的趋势预测表达式。最终实现了模型的增量式更新,让模型更加适合不断变化的锅炉状态。最终该模型应用于流程对象在线实时知识发现系统。该系统实现了对实时采集到工业数据流进行在线的知识发现,还实现了对关键参数的实时状态监测,数值预测,可视化的趋势预测对比图像,以及更有效的故障检测。并为生产人员的锅炉参数调节提供了辅助决策。