预焙阳极作为电解铝产业的配套产业,其发展与电解铝技术的进步是分不开的。在预焙阳极炭块生产过程中,要经过煅烧,焙烧,成型和组装等工序。本文主要研究的阶段为焙烧阶段,旨在通过运用数据挖掘理论,分析不同粒度的煅后石油焦的配比和焙烧后所生成的焙烧块的理化指标的关系,通过建立和优化预焙阳极配方焙烧块预测评估模型来评估配方的优劣,为预焙阳极配方的优化提供参考,达到减少资源浪费,提高生产效率的目的,为铝电解行业的发展添砖加瓦。论文研究了预焙阳极焙烧过程中的相关技术和理论知识,包括预焙阳极生产流程,焙烧块质量参数评定标准以及数据挖掘相关知识。课题主要用到的数据挖掘算法有K-means聚类算法,BP神经网络和KNN分类算法。首先,本文对焙烧块质量参数进行分析与标准评定,以企业标准检测焙烧块是否合格,以灰分,体积密度,电阻率,真密度,耐压强度,CO2反应性,热膨胀系数等焙烧块理化指标为维度,利用K-means聚类算法对焙烧块进行归类,并计算类别基础分,最后利用本文提出的焙烧块类别-加权评价方法评定焙烧块的质量。其次,建立了BBP阳极配方焙烧块预测评估模型,用于探寻阳极配方与焙烧块质量评分的内在关系。然后,优化传统KNN分类算法并将之与BP神经网络相融合,提出了对BBP模型的优化模型BBPK模型。在BBPK模型中,使用KNN将神经网络输出的焙烧块理化指标进行分类并对焙烧块进行类别-加权评分,去评定在新配方下所烧制的焙烧块质量的优劣。分别使用BBP模型和BBPK模型进行实验并分析对比实验结果,论证对阳极配方焙烧块预测评估模型优化是有意义的。最后,运用软件工程设计思想,采用SSM架构,构建轻量级软件开发模型,设计预焙阳极配方评估分析Web系统应用,预测评估配方数据的好坏,可视化预测评估数据,为企业的生产决策提供帮助。