铝电解工业是一个高耗能、高污染型的流程工业,随着当今计算机技术以及信息技术在铝电解工业当中的应用,促使铝电解技术的发展更加信息化、智能化。通过了解电解槽的生产工艺和参数数据特点,以及对电解槽运行过程中数据的分析,得知铝电解槽氧化铝浓度合理的控制对铝电解生产过程提高电流效率、降低能量消耗有重要作用。为便于对电解槽中的氧化铝浓度进行有效预测,采用数据驱动的神经网络预测算法对电解槽中的氧化铝浓度进行预测。利用专家知识选择对氧化铝浓度有较大影响的电流、工作电压、下料量、出铝量、铝水平、电阻、分子比和电解质水平这8个参数数据。对参数数据缺失值进行拉格朗日插值处理以及异常值进行箱型图检测以及降噪处理,然后选择这8个处理后的参数数据作为BP神经网络氧化铝浓度预测模型的输入,氧化铝浓度作为预测模型的输出,建立了氧化铝浓度预测的BP神经网络预测模型。为了提高BP神经网络预测的精度和训练速度,采用L-M优化算法对神经网络训练进行优化。将工业生产采集的数据作为训练数据,分为训练集（70%）、验证集（15%）以及测试集（15%）。经过计算,得到BP神经网络预测模型验证和测试的均方误差分别为:0.013581、0.013021。通过工业生产数据检验,该模型的预测精度为0.1,得到了满足工业生产要求的Al₂ O₃浓度的神经网络预测模型。最后根据BP神经网络预测模型预测出的氧化铝浓度,结合氧化铝浓度变化原理和生产实际,提出了通过调整电解槽基准下料间隔来调节氧化铝浓度值,保证氧化铝浓度在期望的范围[1.5%,2.0%]区间中。