智能车间生产异常识别与应用对于智慧型制造企业转型升级、深化和发展智能制造战略体系、实现可持续制造具有重要意义,如何高效识别智能车间生产异常问题已成为当今智能制造领域亟需解决的重要问题之一。为此,本文在对智能车间的相关理论知识及生产异常识别技术进行深入分析研究的基础上,围绕智能车间生产异常识别问题开展以下研究工作:（1）智能车间生产异常识别技术研究。首先对智能车间生产数据特征、生产异常现象进行归纳总结,其次总结分析了目前车间生产异常识别技术,即神经网络方法、分类方法、聚类方法存在的优缺点,最后针对智能车间生产异常识别技术目前存在的问题确定k-means作为本文的主要分析方法。（2）基于改进的k-means智能车间生产异常识别模型。在研究分析时间序列数据聚类方法的基础上,建立了以动态时间规整（Dynamic Time Warping,DTW）算法为相似性度量方式的基于改进的k-means智能车间生产异常识别模型。该模型利用主成分分析法（PCA）确定智能车间主要的生产特征参数,采用时间滑动窗口等距分割时间序列数据构建实验样本数据,通过绘制异常样本情况分布图赋予聚类簇别实际生产意义。（3）改进k-means聚类算法的研究。针对k-means过分依赖初始聚类中心、聚类数k值难以确定问题,基于密度结合canopy聚类算法,提出了样本密度最大权重积方法,根据样本密度权重积大小确定初始聚类中心,构建了k-means输入参数的自适应机制。通过对比实验验证了改进k-means聚类算法的合理性和可行性。（4）智能车间生产异常识别应用研究。选取国内某铝电解智能制造车间作为本文构建的基于改进k-means的智能车间生产异常识别模型的应用对象,对电解铝生产中工作电压、系列电流等5项生产要素的异常进行了识别。综上所述,本文从智能车间生产异常识别技术研究、建立智能车间生产异常识别模型、改进算法提升异常识别精度以及智能车间生产异常识别应用研究四个方面出发,针对智能车间生产异常识别问题提出了具体的异常识别方法,使用k-means等方法,将数据挖掘技术应用于智能车间异常识别问题。通过对本文提出的模型进行测验,实验显示,应用本文提出的智能车间生产异常识别模型对铝电解智能制造车间生产异常的识别结果与实际生产异常情况一致,验证了该模型可为智能车间生产异常识别提供理论、实践支持与借鉴。