作为铝型材挤压生产的执行设备,铝型材挤压机在挤压生产线中起着至关重要的作用,挤压机的运转状态对铝型材产品质量有决定性作用。一旦挤压设备存在异常,将对产品质量和企业生产造成严重影响。若是异常长期得不到有效处理,导致异常状态转移引发停机故障甚至造成安全事故,将会给企业带来巨大成本损失和信誉损失。随着工业制造与信息技术的融合以及用于监测温度、压力、流量等过程变量的智能仪表、DCS和现场总线等先进技术的广泛应用,利用数据挖掘解决异常检测成为研究热点,但现有的机械设备异常检测方法面对数据不完整、工况复杂等不确定性问题严重的情况时,在实际应用中检测精度不能满足生产要求。贝叶斯网络作为一种强有力的不确定性知识表达与推理模型,具有强大的不确定性问题处理能力,能有效的进行多源的信息表达与融合,近年来深受国内外研究学者的重视。为此,本文提出了基于贝叶斯网的铝型材挤压过程能耗异常检测和定位方法。首先研究了挤压过程能量转化机理并由此建立了各模块的能耗模型,分析挤压力、挤压速度等关键因素对能耗的影响规律,并以关键因素为结点构建贝叶斯网络;然后将生产过程数据作为样本数据,进行贝叶斯网络的参数学习与异常检测仿真实验。最后综合所研究内容,实现挤压过程能耗异常检测模块。本文的具体研究工作包括:(1)基于挤压机理,分析了其出现异常的原因。同时,以挤压周期的能量传输过程以及能量损耗特点为基础构建了挤压机液压系统能耗模型,由此分析挤压关键工艺参数对能耗的影响规律。(2)结合挤压能耗模型,根据挤压力、挤压速度等关键因素影响因素与能耗之间的因果转化关系,构建了挤压机异常检测贝叶斯网络结构。(3)分析得到的异常检测贝叶斯网络结构,引入连续结点的离散化算法。利用Gibbs Sampling算法进行不完整数据的参数学习。创新性地将异常检测问题和原因定位问题转换为后验概率问题和最大可能解释问题,利用贝叶斯推理算法进行异常检测与原因定位。通过贝叶斯网络推理实验,验证了贝叶斯网络模型在在分析不完整数据集的有效性,对实际应用场景中的异常检测有实际意义。(4)综合上述研究内容,采用Java语言开发了基于HDFS集群的挤压机异常报警模块,对已有的挤压机能源管理系统进行功能扩充和性能扩展,并在铝型材企业得到初步应用。