“中国制造2025”战略强调了加强新技术在产品质量管控方面的应用,而零件作为产品的组成单元,探索新一代技术在零件加工质量管控方面的应用,对于贯彻“中国制造2025”战略有重要意义。随着信息技术的发展,制造企业积累了大量的零件加工质量数据,但却不能有效地利用这些数据。数据挖掘技术是人工智能领域中的一种重要的数据处理技术,可以发现数据背后的潜在知识,解决制造企业零件加工数据丰富,零件加工质量知识贫乏的现状。首先,针对制造企业零件加工质量相关数据分散在多个业务数据库,不便直接开展数据挖掘的问题,建立了零件加工质量数据仓库。进行了零件加工质量数据仓库的需求分析,概念模型、逻辑模型、物理模型的设计,并实现了零件加工质量数据仓库的创建及其数据ETL(数据提取、转化、载入)过程。然后,针对企业质量数据的不均衡性导致难以挖掘出不合格品相关规则的问题,提出了基于改进混合采样与FP-tree的零件加工质量规则获取模型。利用提出的基于关键规则欠采样与改进SMOTE过采样的混合采样均衡化方法,对质量数据均衡化处理,并使用FP-tree算法挖掘质量规则。利用某活塞生产企业的实际生产数据,与基于FP-tree的方法、基于随机混合采样与FP-tree的方法,从规则数量、规则正确性两方面进行了对比分析,得出该模型在不减少获得的合格类规则的前提下,可以获取到更多的不合格类规则,并证明了所获规则的准确性。接着,针对目前零件加工质量预测的研究中,多数预测算法存在复杂度高、精度低等问题,提出了一种基于改进遗传蜂群算法(IGBCA)与支持向量机(SVM)的零件加工质量预测模型。利用IGBCA对SVM的参数搜索寻优,提高零件加工质量预测的效果。经过实例对比分析得出,基于IGBCA-SVM的零件加工质量预测模型比利用遗传算法(GA)、蜂群算法(ABCA)得到的预测模型误差更低、所需时间更短。最后,在前面研究的基础上,完成了系统的功能模块、层次架构设计,并利用 Microsoft Visual Studio 2019 开发平台、SQL Server 2017 数据库、Anaconda3开发完成了基于数据挖掘的零件加工质量规则获取与质量预测系统。