冶炼过程中氧气的消耗数据的准确性对于生产调度和优化运行有着举足轻重的作用。工业现场复杂的现场环境和一系列的电磁干扰会导致数据采集系统的不稳定,使得采集数据经常存在异常。异常数据对现场调度人员的决策造成影响,甚至有造成重大事故的可能,影响企业正常的生产,造成不可预估的损失。对于这类数据,现场人员一般只能依靠自己的经验来判断哪些点是异常点。而现场数据的复杂性和海量性使得人工判断变得不太现实。因此研究冶炼过程消耗氧气数据的异常检测具有重要意义和研究价值。基于氧气系统冶炼过程中氧耗数据中存在的突变点,本文提出基于自适应阈值的氧耗数据的突变点检测方法,该方法首先利用一种基于K最近邻自适应模糊C均值聚类的算法对氧耗数据进行聚类,得到聚类中心和自适应度向量，然后根据自适应度向量计算各个待检测数据点的异常指数,并构建异常因子序列。最后,基于异常因子序列进行数据异常点检测,其具体步骤为：1)对于数据点集中的所有待检测点,分别采用滑动窗口划定其各自的检测邻域；2)计算该邻域范围内所有点的异常指数的均值和标准差；3)基于异常指数均值和标准差来确定每个待检测点的相应阈值,通过比较待检测点的异常指数与相应阈值的关系来判定该待检测点是否为突变点。为了验证本文所提方法的有效性,采用国内某钢铁企业氧气系统中的高炉耗氧量和转炉耗氧量数据为研究对象,使用本文方法对冶炼过程中的氧耗数据中存在突变点的情况进行检测,仿真实验结果证明本文方法在处理该类数据问题的有效性,为氧气系统的优化调度提供了科学、有效的保证。