随着铝型材在国内建筑、汽车、制造等行业的广泛应用,中国已经成为全球最大的铝型材产地和消费市场。而挤压加工是铝型材生产中核心环节,其工艺参数直接决定铝型材的生产成本、效率和能耗,这与《中国制造2025》政策要求、企业发展需求密切相关,所以优化挤压工艺参数使得多个目标值达到最优成为铝型材研究领域的热点。传统的方法依靠经验或物理公式建立工艺参数与优化目标之间的映射关系十分困难,而且难以根据近期生产情况迅速对工艺参数进行优化。随着工业互联网和大数据时代的到来,铝型材生产数据被采集并存储到企业数据库,为基于数据驱动的铝型材挤压工艺优化研究工作提供了必要条件。本文以铝型材挤压机为研究对象,针对铝型材挤压生产能耗高、成品率低和模具磨损严重的问题,以挤压生产数据为基础进行研究。首先,分析挤压工艺参数对铝型材生产能耗、成品率和模具磨损的影响。其次,基于门控循环单元（Gated Recurrent Unit,GRU）构建预测模型,从而准确、快速地构建工艺参数与优化目标之间的映射关系。然后,基于分解的多目标优化算法（MOEA/D）,结合预测模型以低能耗、高成品率、低模具磨损为目标进行多目标优化,以求解最优的挤压生产工艺参数集。最后,基于企业能源管理系统,将预测和优化功能编写成独立系统模块嵌入到系统中,实现数字化、智能化、自动化的铝型材挤压生产。本文的研究工作如下:（1）根据铝型材生产过程,首先分析了挤压机生产系统和工作流程,然后对影响挤压生产的直接和间接因素进行详细分析,最后系统地分析了挤压工艺参数对能耗、成品率和模具磨损的关系。（2）针对铝型材挤压生产物理预测模型建模困难、预测精度低的问题,提出一种改进GRU的神经网络模型。该模型在经典GRU网络中加入注意力机制（Attention Model,AM）,并使用引力搜索算法（Gravitational Search Algorithm,GSA）来提高模型的预测精度。构建以工艺参数为输入,以能耗、成品率和模具磨损为输出的预测模型。实验结果表明,改进模型与主流的预测模型相比均方根误差和绝对平均误差更小,具有良好的准确性。（3）针对多约束条件下铝型材挤压工艺参数多目标优化困难的问题,提出一种改进的MOEA/D算法用于铝型材挤压工艺参数多目标优化。进行多组实验将改进MOEA/D与热门多目标优化算法对比,结果证明该算法具有更好的性能。同时也对改进MOEA/D的算法参数进行调优,从而求出优良的算法参数用于挤压工艺参数优化中。最后根据统计的生产数据表明,优化的工艺参数用于铝型材挤压生产的能耗降低了13.68%,成品率提高了12.58%,模具磨损降低了12.87%。（4）针对企业能源管理系统缺少工艺参数多目标优化功能,提出铝型材挤压生产预测和多目标优化模块的设计开发,实现规范化接口调用、分布式集群部署,提高了系统的并发性、可用性和拓展性。