手机印刷电路板基于数据检测方法要面对以下四个挑战:数据量大;数据维度高;数据类别分布不平衡;检测系统缺乏自适应能力。手机印刷电路板生产速度快,因此数据量大。检测系统需要进行四五十种不同测试,包括锡膏厚度、体积、面积以及偏移等内容,导致数据维度多。一般生产中不良率仅为150PPM,所以数据分布非常不平衡。检测系统基于规则,因此缺乏自适应能力。为了解决上述问题,本文对手机印刷电路板工业大数据的异常检测进行如下研究:1)结合Wasserstein距离和互信息,提出了一种特征选择算法,通过降低数据集特征维度,来提高检测速度。算法基本原理是通过Wasserstein距离度量特征对分类的重要性,结合互信息对特征之间冗余的度量,以此寻找对分类很重要而彼此之间冗余较小的特征子集。实验证明,该算法效果显著,可以将原始数据集由45个特征降低到4个,极大提高检测速度。2)利用生成式对抗网络进行数据合成,使数据集分布平衡。对于不平衡数据集,系统难以精确检测出稀少的不良产品,可以通过生成式对抗网络合成相似的稀少类数据使数据集达到平衡,来提高检测效果。实验证明,通过平衡数据集可以有效提升检测效果,在训练大约200次时,即可获得高质量稀少数据。3)设计可自学习的手机印刷板工业大数据异常检测系统。该系统采用模块化设计,其中数据源模块不断更新本地数据,异常检测模块根据本地数据实时训练多个备用模型,系统会根据检测结果变化对离线训练模型与在线模型进行热切换,实现系统自学习能力。上线运行结果显示,本系统可以将检测结果F1值提升至0.7左右,召回率提升至0.75左右。实际上线运行之后的结果表明,本文设计的异常检测系统,可以有效提升检测速度和效果,并通过多个模型热切换实现可自动学习能力,对降低生产成本提升生产效率有着很好的作用。