La optimización operativa es esencial en la industria moderna y las operaciones inadecuadas deteriorarán el rendimiento de los procesos industriales. Dado que el error de medición y múltiples condiciones de trabajo son inevitables en la práctica, es necesario reducir sus impactos negativos en la optimización operativa bajo el marco del razonamiento basado en casos (RBC). En este artículo, se propone un método de eliminación de casos anómalos basado en la densidad local para eliminar los casos anómalos en un paso de recuperación de casos, con el fin de prevenir el deterioro del rendimiento en la optimización operativa industrial. Más específicamente, se analizan las razones por las cuales el RBC clásico recuperaría casos anómalos desde la perspectiva de la recuperación de casos en la industria. Luego, se diseña un algoritmo de eliminación de casos anómalos basado en la densidad local, basado en el Factor de Outlier Local (LOF), e integrado adecuadamente en el paso tradicional de recuperación de casos. Finalmente, la efectividad y la superioridad del método de eliminación de casos anómalos basado en la densidad local se probaron mediante una simulación numérica y un estudio de caso industrial del proceso de corte en la producción de cigarrillos. Los resultados muestran que el método propuesto mejoró el rendimiento de la optimización operativa de un proceso de corte industrial en un 23.5% en comparación con el RBC clásico, y en un 13.3% en comparación con el razonamiento difuso basado en casos.