铝电解是一个高耗能的流程工业，随着我国提出落实科学发展观，构建节约型社会的目标，充分利用当今先进的信息技术到铝电解行业中，实现铝电解工业的低污染、高效率和高度智能化是当今我们面对的一个重要课题。预焙铝电解槽是一种复杂的非线性、多变量时变系统，模型具有不确定性，电解槽槽状态复杂多变，很多过程生产参数在线检测困难，特别是氧化铝浓度，其是电解槽下料控制的基础参数。由于电解槽长期运行，控制系统数据库中积累了大量含有丰富信息的过程生产数据。本课题的目的就是利用数据驱动的方法对铝电解控制系统中存储的大量过程生产参数数据进行槽状态、氧化铝浓度等相关工艺信息的提取和挖掘，从而建立一个基于数据驱动的电解槽智能控制系统，主要实现方式是利用小波包分析技术提取当前的一段时间内瞬时槽电压的信号特征，并结合当前的一段时间内的电量输入、系列电流、设定电压等状态参数构成槽状态诊断特征向量，利用小波神经网络的自学习功能判断电解槽当前状态。针对电解槽氧化铝浓度难以实时测量的问题，提出一个基于最小二乘支持向量机（LSSVM）的氧化铝浓度软测量模型，并利用粒子群(PSO)算法找到最佳的模型参数，通过利用大量可测量的过程参数组成样本对软测量模型进行训练学习，从而利用训练好的软测量模型实现对氧化铝浓度实施软测量。控制部分，将氧化铝原料下料间隔(NB)人为的分成了主下料间隔和辅助下料间隔两部分，分别利用模糊控制器推理到出不同的氧化铝浓度与不同槽状态下的主下料间隔和辅助下料间隔，以满足适合各个电解槽生产的自适应控制的要求，提高效率、降低能耗。本课题在系统实现上大量应用了数据驱动的方法，推动基于数据驱动的模式识别和控制技术在铝电解工业大范围应用，经过大量仿真实验和对贵铝车间电解槽的大量实际工程应用发现优化效果明显，大大提高了现有控制系统的信息处理水平。经过专家统计发现，电解槽槽状态诊断和氧化铝浓度软测量的准确性达到了90%以上，控制过程快速精确，实现了吨铝节电150度以上。