چکیده: به موازات پیشرفت سخت افزاری و نرم افزاری سیستم‌های ذخیره‌سازی و مدیریت داده، کاربرد دانش داده‌کاوی در بسیاری از زمینه‌های مختلف در حال گسترش است. حوزه فرآیندهای صنعتی و استفاده از بایگانی داده‌های عملیاتی ثبت شده از فرآیندها برای تحلیل و کنترل آنها از جمله این زمینه‌‌‌ها‌ست. در این پژوهش پس از معرفی یک بویلر صنعتی به عنوان یک فرآیند نمونه، اطلاعاتی از تاریخچه عملیاتی آن مورد بررسی قرار می‌گیرد. این اطلاعات شامل مقادیر 15 متغیر مهم ثبت شده در بازه‌های زمانی مشخص هستند. هدف پژوهش استفاده از روش داده‌کاوی برای افزایش کارایی بویلر است. از میان 15 متغیر ثبت شده، دمای گاز خروجی و میزان اکسیژن موجود در گاز خروجی به نوعی معیارهایی از میزان کارایی فرآیند احتراق هستند. داده‌های عملیاتی مورد پیش پردازش و آماده‌سازی قرار گرفته و 13 متغیر برای مدل سازی دو متغیر تعیین کننده کارایی در بازه کاری %80-50 بار بویلر مورد استفاده قرار می گیرند. روش‌های به کار رفته برای مدل‌سازی شامل دو روش رگرسیون جزئی حداقل مربعات (PLS) و شبکه‌های عصبی است. روش PLS به دلیل داشتن قابلیت کاهش ابعاد مجموعۀ داده که امتیاز مهمی در بررسی پایگاه‌های بزرگ داده محسوب می شود مورد توجه قرار گرفته و از شبکه های عصبی به عنوان ابزاری عمومی برای مدل سازی و تخمین مقادیر پاسخ استفاده شده است. در مرحله بعد، داده‌ها به دو دسته داده‌های آزمایش و آموزش تقسیم می‌شوند. با معرفی معیاری برای سنجش کارایی بویلر که شامل دو پارامتر یاد شده دما و اکسیژن است، به ازای هر داده از مجموعۀ آزمایش، مجموعه‌ای از داده‌های آموزش که کارایی بهتری نسبت به داده مذکور دارند تشکیل می‌شود. در این مجموعه با استفاده از الگوریتم K-Means اصلاح شده، الگوهای عملیاتی برای داشتن راندمان بیشتر ساخته می‌شوند و نزدیک‌ترین الگو به دادۀ مذکور به عنوان الگوی هدف انتخاب می‌شود. مقدار متغیر‌های کنترل پذیر دادۀ آزمایش با مقادیر متناظر در الگوی هدف جایگزین می‌شود. داده‌های تغییر یافته گروه آزمایش به مدل به دست آمده از مرحله قبل وارد شده و نتیجه، کاهش دمای گاز خروجی و میزان اکسیژن موجود در آن را نشان می‌دهد. ب این ترتیب با تغییر متغیرهای کنترل پذیر از مجموعه 13 متغیر در اختیار، فرآیند احتراق بویلر به سمت قرار گرفتن در وضعیت‌های کاری متناظر با راندمان بیشتر هدایت می شود.