近年来,我国制造企业逐渐实现产业自动化与智能化的转变发展。与商业大数据与互联网大数据的蓬勃发展相比,工业大数据在规模与普及程度上都远远落后。工业生产过程中,产生的各种形式的工业数据始终没有得到科学有效的处理与利用。工业对数据分析与挖掘技术的科学利用已落后于其他行业,这就导致企业无法针对生产线与市场的变化上做到快速应对,间接造成了制造成本居高不下等问题。本文利用数据挖掘技术对这些工业原始数据集依次进行数据采集,数据预处理,数据分析,数据可视化,数据建模与预测这一系列数据处理操作,揭示隐藏的工业生产数据集中的潜在信息与生产规律。在论文中,将工业原始数据流转换成计算机能够接受处理的信号文件形式,通过收集分析工具完成对信息数据的采集。运用多种数据挖掘技术,对原始数据完成数据预处理,从而得到形式标准的数据集。借助编程平台对目标数据集进行数据处理操作(如缺失值插补,脏数据处理,数据修正,白噪音识别等),数据分析操作,数据可视化操作。在可视化过程中,选择最适合实验研究的分析可视化模型,针对不同类型的产品进行可视化处理分析。通过对有限时间跨度的数据集的分析与可视化方法与思路,为未来出现的时间跨度较大,数据规模较完整的情况来提供参考。在论文中,为达到预测未来短时期生产变化趋势信息的目的。针对近年来生产线产品下线量数据,选择ARMA模型进行时序建模预测,同时选定部分目标序列进行短时期小样本的灰色模型GM(1,1)预测。两个不同模型均得到此时期的预测数据,将不同预测值进行特定权重组合,得到ARMA-GM组合模型的预测值。通过对不同模型的对比,得到精确度更高,更加符合实际情况的预测模型。此次论文得到以时间为影响因素的产品生产变化信息,协助生产线工作人员在相应情况下调整重量的偏差波动与修改标称偏差量。协助产品线管理人员了解机器设备运作状态甚至人员工作时间调整。协助产品经理对整个生产线的生产计划的调整以及对市场需求变化趋势进行判断。