به موازات پیشرفت سخت افزاری و نرم افزاری سیستم های ذخیره سازی و مدیریت داده، کاربرد دانش داده کاوی در بسیاری از زمینه های مختلف در حال گسترش است. حوزه فرآیندهای صنعتی و استفاده از بایگانی داده های عملیاتی ثبت شده از فرآیندها برای تحلیل و کنترل آنها از جمله این زمینه ها ست. در این پژوهش پس از معرفی یک بویلر صنعتی به عنوان یک فرآیند نمونه، اطلاعاتی از تاریخچه عملیاتی آن مورد بررسی قرار می گیرد. این اطلاعات شامل مقادیر 15 متغیر مهم ثبت شده در بازه های زمانی مشخص هستند. هدف پژوهش استفاده از روش داده کاوی 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. داده های عملیاتی مورد پیش پردازش و آماده سازی 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. روش های به کار رفته برای مدل سازی شامل دو روش رگرسیون جزئی حداقل مربعات (pls)و شبکه های عصبی است. روش pls به دلیل داشتن قابلیت کاهش ابعاد مجموع? داده که امتیاز مهمی در بررسی پایگاه های 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، داده ها به دو دسته داده های آزمایش و آموزش تقسیم می شوند. با معرفی معیاری برای سنجش کارایی بویلر که شامل دو پارامتر یاد شده دما و اکسیژن است، به ازای هر داده از مجموع? آزمایش، مجموعه ای از داده های آموزش که کارایی بهتری نسبت به داده مذکور دارند تشکیل می شود. در این مجموعه با استفاده از الگوریتم k-means اصلاح شده، الگوهای عملیاتی برای داشتن راندمان بیشتر ساخته می شوند و نزدیک ترین الگو به داد? مذکور به عنوان الگوی هدف انتخاب می شود. مقدار متغیر های کنترل پذیر داد? آزمایش با مقادیر متناظر در الگوی هدف جایگزین می شود. داده های 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 می دهد. به این ترتیب با تغییر متغیرهای کنترل پذیر از مجموعه 13 متغیر در اختیار، فرآیند احتراق بویلر به سمت قرار گرفتن در وضعیت های کاری متناظر با راندمان بیشتر هدایت می شود.