随着节能与新能源汽车的不断发展,绿色二次电池的研究与发展呈现显著增长态势。近年来,电芯制造行业迎来了高速发展,电芯制造的过程越来越智能化。由于电芯制造的过程复杂,工序较多,为了提高电芯行业的发展,提高电芯制造的效率。因此必须对采集到的电芯制造数据进行必不可少的数据清洗,然后才可以进一步挖掘数据的隐藏价值。电芯制造过程的工艺流程复杂,记录各个工序的数据特征不同,数据维度较多,对数据清洗带来了巨大的挑战。因此本文首先研究电芯数据降维方法,然后进行数据清洗,具体工作内容如下:（1）本文对PCA进行改进,有效的对电芯数据集进行特征降维,与后续的数据清洗方法结合,实现电芯数据集的高效数据清洗。改进的降维过程如下:首先,使用信息熵对电芯数据集进行特征抽取,提取主要数据维度;然后,对电芯数据集使用Yeo-Johnson进行数据变换,使其接近于服从高斯分布,接着使用互信息改进PCA中的协方差矩阵;最后结合熵权法与主成分的分散程度,对主成分赋权,然后对电芯数据集降维。本文使用改进后的降维方法,对公开数据集进行实验,验证改进算法的可用性,最后对电芯数据进行降维。（2）提出了一种基于互信息-MOPSO算法优化的DBSCAN异常点检测方法,针对数据分布不均的电芯卷绕数据集,首先根据互信息找到关联性最大的两个电芯数据属性,重组数据集并降维处理;然后分析数据集各点的密度信息,使用MOPSO算法为各数据点独立的求解一个Eps参数值;最后使用改进的DBSCAN算法进行异常点检测,根据两电芯卷绕数据集的异常点检测结果,将非工业故障因素导致的异常点剔除,解决了DBSCAN算法检测异常点中,全局参数淹没局部异常点的情况。最后对真实的电芯卷绕数据集进行实验,验证了改进方法的优越性。（3）将数据集中的异常值剔除后,则可以对电芯数据集中的不完整数据进行缺失值填充。针对以往基于聚类算法的缺失值填充中没有考虑数据密度和不同数据维度对缺失属性影响的问题,本文使用MOPSO算法和互信息赋权法对其改进。首先,使用信息熵衡量各特征属性的重要性,剔除缺失严重的数据,然后使用MOPSO算法为电芯数据集各数据点独立的求解一个Eps参数值,解决数据集密度不均的问题;然后,对数据集降维,使用改进的DBSCAN算法进行聚类,针对聚类后的各类簇,使用互信息衡量缺失属性与剩余属性的关联性,对其他属性进行赋权。最后,将聚类后的类簇中缺失属性的均值,与加权后的其他属性值进行结合,形成缺失数据的填充值。最后对电芯卷绕数据进行实验,证明了所提算法的有效性。