金属铝及其合金因性能优良、生产成本低廉、制造技术成熟等特点,在基础设施建设和战略新兴产业间均有着广泛的应用。铝主要是以氧化铝为溶质,冰晶石为溶剂,通过电解法批量生产,其生产过程内部不断发生着物质更替与能量交换,外部环境也频繁伴随着阳极更换、母线调整等工序交替。传统冶炼铝工艺能耗往往较高,其能源利用率不足50%且污染严重,这与我国节能减排的生产理念格格不入。因此,研究铝电解制造系统节能减排技术对提高生产效率、降低工艺能耗以及保护自然环境都具有重要的工程应用价值。基于机器学习、智能建模与优化策略等先进技术为核心的铝电解智能制造,已然成为铝电解工艺设备节能减排、绿色发展的一种趋势;研究如何将铝电解生产制造系统与前沿人工智能技术进行深度融合,对带动铝电解智能制造水平具有显著的战略地位。由于铝电解制造系统具有参数冗余、动态时变、过程数据呈现非高斯性等复杂特征,研究如何精确地建立能够反映铝电解真实过程的动态自适应模型,便成了实现该系统智能决策优化急需攻克的难题。然而,现如今铝电解制造系统智能化水平、数据处理能力、模型预测精度均达不到理想要求,其主要原因如下:（1）铝电解制造系统机理极其复杂,很难用简洁的形式表达清楚。即使预设了前提假设,仍难以保证得到的模型与实际过程的吻合性;（2）铝电解过程中噪声往往呈现冗杂的非线性非高斯性特征,探寻适用于各种噪声干扰情况下的强鲁棒性模型仍是一个技术难题;（3）铝电解工艺决策变量相互影响、冗余严重,如何处理决策变量在高维空间内的耦合性问题也是一个研究重点;（4）铝电解制造系统需与外界环境不断地进行物质、能量、信息交换,若所建模型仅仅是静态的,则很难适应环境变化。为此,本论文针对以上问题,展开了如下研究工作:（1）粒子滤波网络的非机理性动态模型在系统机理模糊的情况下,本文构建一种新型粒子滤波神经网络模型。该模型基于研究数据本身,将神经网络的权值阈值作为粒子滤波的状态变量,神经网络的输出作为粒子滤波的量测变量,利用粒子滤波的动态逼近来实时调整神经网络的权值和阈值。实验结果表明,粒子滤波网络模型具有一定的鲁棒性与可扩展性,不仅拓宽了滤波神经网络体系,也为后续优化提供了模型基础。（2）混合退火粒子滤波网络的高精度模型针对粒子滤波固有特性带来的负面影响,在粒子滤波网络的基础上,将标准粒子滤波替换为混合退火粒子滤波,利用混合建议分布作为重要性函数来替代标准粒子滤波的后验分布;并通过研究退火因子来调整状态噪声和量测噪声之间的关系,使混合建议分布更加接近表征于似然分布。实验结果表明,混合退火粒子滤波网络改善了粒子滤波的缺陷,提高了模型的预测精度。（3）基于几何流形能量的聚类优化策略为深度挖掘上述模型的预测潜能,本文首先利用局部线性嵌入算法对高维空间内的数据进行降维;然后利用降维后数据的几何曲率来表示流形能量,使得流形能量最小化以便得到边界点,从而划分聚类区域;最后再引入粒子稀疏化网格重采样进行二次采样改善粒子多样性损失。基于新型铝电解槽来设计消融实验,结果证实了所提出优化策略的合理性与有效性。