以低碳发展为宗旨对异常检测技术进行研究并使其应用于工业生产，生产制造业是高能耗产业，能耗主要用在设备生产上，现代生产制造业所用到的设备是日趋复杂化、精密化和智能化，设备正常工作所受到的影响因素将会增多，在这种情况下找到一种方法保证制造业的生产工艺过程达到耗能最低、获利最大和保质保量水平的方法是很有必要的。本文以轮胎生产制造的工艺过程为研究对象，对其中与能耗有关的工艺过程进行研究，提取出与能耗相关性较大的因素进行检测。通过异常检测的方法来监控生产过程设备运行状态，控制设备的影响因子保证设备的正常高效运行，从而实现提高能源利用率、节省人力和资源的目的。由于在工业生产制造过程中对这些因素数据具有一定的时间序列的特性，而且我们不能观察到机械设备内部的工作状态，找出引起故障的内在原因，所以本文提出HMM分类算法，该算法是基于统计学的对有限状态进行分类的模型，可以对有时间和空间特征的数据进行建模分类。本文用HMM对轮胎生产过程中的能源消耗量最大的硫化环节进行建模，其中以温度、压力和硫化时间作为HMM的隐含状态，可能出现的故障情况为观测序列。分别训练建立对应的模型，当新观察到的数据到达时直接输入到模型库中进行匹配，根据概率理论，具有最大相似性的那个模型即为当前硫化机所处的状态。当检测结果为异常时则根据异常发生原因进行及时修正。本文的创新之处在于把异常检测技术应用于工业生产制造中，通过控制生产设备的工作状态来保障能源的有效利用，并根据模型的观测矩阵对初始值依赖性较大的不足提出对模型进行基于K-means算法初始化的改进方法，通过实验验证，改进后的模型具有更好的稳定性和异常情况的识别能力。这样做的目的是在保质保量的情况下达到低碳生产的目的。