双离合自动变速箱做为汽车的一个重要部件,其质量的好坏直接影响到汽车的整体性能,而变速箱壳体做为变速箱上的一个关键零部件又会直接影响到变速箱的装配质量,因此本文针对双离合自动变速箱离壳体机加工过程的关键工位,建立了基于工厂自动化系统的质量预测与质量诊断模型。本文以离壳体的机加工过程中的关键工位为研究对象,首先介绍了壳体的机加工艺流程,对壳体机加质量管控系统的需求与模块及关键技术进行了分析与介绍;其次针对壳体加工的具体工艺,提出了基于变学习速率BP神经网络算法的变速箱壳体试漏结果预测模型,并通过某公司的实际加工数据,在预测精确度、收敛速度上与基本BP神经网络算法进行了比较,验证了变学习速率BP神经网络质量预测模型的有效性与改进性;然后针对机加工过程中多变量的质量异常诊断问题,构建了基于多阶最小二乘支持向量机(MS-LSSVM)的多变量残差控制图诊断算法,通过对历史数据的分类与学习,建立针对不同数据特征的多阶质量诊断模型,实现根据不同数据类别分进行异常变量的诊断,指导相关人员进行改进,最终提升产品质量的目的。之后以某公司的实际数据为实例,验证并与最小二乘支持向量机算法模型进行比较,验证了基于数据分类的算法模型在诊断精度方面有更佳的性能。最后,针对某汽车变速箱厂开发了工厂自动化系统,并将该系统应用到该工厂的实际生产过程中,为工厂推进数字化、智能化,提升产品质量等提供了数据基础与技术支持。