随着数据挖掘技术的成熟和制造业数据量的增长,制造企业更加依赖从大量数据中挖掘利用知识,辅助设计决策。在零件的全生命周期管理中,零件设计阶段影响了全生命周期75%的成本,在设计阶段控制好成本,成为制造企业保证竞争力的关键。本文围绕零件设计阶段成本规则挖掘与成本预测展开研究,并设计开发了相应的原型系统,可以在零件设计阶段分析成本,辅助设计人员工作,降低制造企业成本,提高企业效益。首先,针对企业单一系统数据库中成本数据不全面的问题,构建零件设计阶段成本数据仓库。明确成本数据仓库的设计要求及特点,分析制造企业信息化系统中的零件设计数据,采用结构化数据抽取手段,从各系统中获取设计阶段成本数据源,设计并构建成本数据仓库。其次,针对企业成本数据存在异常值、缺失值等问题,清洗成本数据仓库中的源数据。采用孤立森林(iForest)异常值检测算法,剔除成本数据中异常样本,同时,提出基于K-prototypes聚类的近邻填充(KPKNN)算法,填充成本缺失数据,解决零件设计阶段成本数据清洗问题,并运用实例证明算法清洗数据效果较好。再次,针对零件设计阶段成本规则冗余的问题,提出基于改进的FP-Growth的零件设计阶段成本规则挖掘算法。通过研究FP-Growth算法原理,改进条件模式基的生成过程,构建基于改进的FP-Growth的零件设计阶段成本规则挖掘模型,获取零件设计阶段成本规则。运用实例证明本文算法能减少生成冗余规则,缩短运行时间。然后,针对零件设计阶段成本预测不精确的问题,构建基于GA-BP神经网络的零件设计阶段成本预测模型。研究基于遗传算法的BP神经网络,构建基于GA-BP神经网络的零件设计阶段成本预测模型,实现零件成本预测。实例分析得出,GA-BP神经网络的预测精度更高,更适合成本预测。最后,依据所研究内容,本文利用Microsoft Visual Studio2019、SQL Server 2017、Anaconda3等软件平台设计开发原型系统。