随着我国工业互联网、工业大数据技术的不断发展和各项战略计划的稳步落实,在工业品质检验领域中,品质检验数据平台、品质智能检验技术和海量数据处理技术逐步成为制造生产行业的研究重点。目前厂商仍普遍采用效率较低的人工检测方式对产品进行品质筛选。而随着生产数据量不断增加,数据处理能力成为预测效率的瓶颈。现有的品质检验专家系统可以给品质质量筛选的效率带来一定提高,但该类检验系统的实现依赖于专家的主观经验,且不具备数据容灾、高效计算和模型更新共享的能力。针对上述问题,本文提出并实现了面向品质检验的分布式数据平台,该平台利用分布式架构提高了数据处理和存储的能力。使用高频传感器收集制造过程数据样本,通过数据挖掘与深度学习等手段完成品质检验的特征工程、预测模型训练和评估,实现分布式的智能品质检验。本文的研究工作主要包含以下几个方面:（1）分布式数据采集与传输系统设计与实现。面对实时注塑成型数据采集场景,针对多设备海量数据采集传输中存在的数据延迟、数据丢失和数据落盘等问题,基于Flume为核心设计了数据采集模块,优化了数据监控与数据落盘的逻辑设计,提高了数据落盘的效率。基于Kafka为核心设计了数据传输模块,优化了数据传输稳定性,并通过Topic划分策略降低数据传输延迟。（2）分布式数据处理系统设计与实现。针对同一系统中的流式计算与批量计算在资源分配不均和计算形式不相容的问题,基于Lambda架构分别实现了不同的数据处理模型,通过Flink和Hadoop分离出实时任务与离线任务的数据处理通道,解决了实时与批量计算不相容的问题,并通过统一使用Yarn作为资源调度系统,解决了实时与离线计算的资源分配问题。（3）品质检验算法服务系统设计与实现。利用Rsetful和Java Web技术实现算法服务系统的设计与部署。可为外部系统提供多种服务调用功能,如远程品质检验、数据上传、数据可视化、模型评估指标可视化、模型更新和模型管理等多种服务。（4）注塑过程数据品质检验模型的研究。对采集数据进行预处理,完成特征工程与模型训练。针对XGBoost难以充分利用注塑高频传感器时序数据的问题,提出了基于LSTM-FCN进行高频时序特征提取,再结合XGBoost进行品质预测,提高了XGBoost模型对时序特征的提取能力。相较于单模型,ROC得分提高了3.7%。该品质检验分布式数据平台,可用于处理离散制造中的数据采集、数据传输、数据处理与品质检验等问题。当该平台用于注塑件制造场景时,极大地减少了品质检验的耗时与数据处理的难度,同时也提高了品质检验的准确性和平台运行的可靠性。