本文围绕混合流水线车间节能问题,重点研究制造车间的能耗分析和节能模型建立,以及用于求解的多目标智能算法。解决了制造车间异构数据库之间数据存储与共享困难、智能算法的适应值计算成本高等问题。对于企业车间的生产节能和提高效益具有一定的理论参考和工程应用意义。本文首先分别对制造数据存储与共享方法、代理模型方法和车间节能多目标智能算法做了大量的文献调研。然后,针对制造数据中异构数据库之间的数据存储和共享问题,分析数据库存储、共享技术和提取转换加载（Extract-Transform-Load,ETL）技术的特点,提出制造数据中不同数据库数据的同步存储策略。提出利用同步处理时间和中央处理器利用率来衡量异构数据库间的数据存储和共享效率。接着,为了探究制造车间的节能潜力,采用“关机-重启”策略基础上,提出一种改进的多目标多宇宙优化器（Improved Multiple Objectives Multi-Verse Optimizer,IMOMVO）算法,用于求解建立的基于混合整数非线性规划模型的以最小化最大完工时间和总能耗为目标的多目标混合流水线车间节能模型。通过设置不同的加权系数,建立了三个车间生产场景。最后,为了解决智能算法在寻优过程中节能目标即适应值评估代价高问题,提出一种基于矩阵编码机制的特征向量提取方法,引入核函数有利于极限学习机（Extreme Learning Machine,ELM）求解节能目标。对需要构建代理模型的IMOMVO算法进行计算复杂度分析,建立基于ELM的代理模型,设计数据驱动优化的车间节能目标算法框架。本文所提出的异构数据库存储与共享方法,在SQL2SQL、SQL2My SQL和SQL2Mongo DB之间的平均同步处理时间分别为2.07ms、2.60ms和0.74ms,平均CPU利用率分别为15.7%、57.9%和3.2%。提出的IMOMVO算法与改进遗传模拟退火算法（Improved Genetic-Simulated Annealing Algorithm,IGSA）进行比较,结果验证本文提出的模型和算法的有效性和优越性。ELM算法与误差反向传播（Error Back Propagation,BP）算法进行预测性能验证和计算时间对比实验。实验结果显示,ELM算法的拟合优度为0.97381,预测性能指标均优于BP算法。单个适应值平均计算时间为5.4×10^-4秒,仅为真实求解的18.5%。说明ELM在车间节能目标预测问题具有良好的效果。