PCB(Printed Circuit Board)是电气和电子设备的基体,随着客户个性化需求的增长,使得PCB样板订单大量增加,相应的生产模式也从传统的大规模批量生产转化为以大规模个性化生产为主要特征的长尾生产。更精准地确定各订单投料是影响车间上下游综合成本的关键。合理确定每个订单的投料面积将消减车间物料、生产、库存、回收处理和拖期等成本。但各订单具有个性化的功能特征,确切的投料面积在生产前难以提前确定。车间投料人员通常基于其经验知识确定各订单的投料面积,调研中发现人工投料易导致车间超投和补投均较高且波动较大。剩余个性化PCB样板只能置于库存或直接销毁,这导致物料、生产、存储和销毁成本的浪费。通过频繁的补投可以降低面积剩余,但补投将带来车间在制品种增加和调度的不稳定,增加生产和交货拖期成本。寻求一种更优化的投料策略,同时降低这两个目标具有重要的科学和工程实际意义。本文提出采用数据挖掘手段对PCB样板进行报废率预测和投料优化。本文首先介绍了数据挖掘在制造领域特别是PCB领域的研究现状,结合PCB样板生产特点,确定了技术路线。在此基础上,从下面四个方面开展了研究:第一,联合企业专家梳理了影响PCB样板报废率核心参数;在企业资源管理数据库中集成抽取了2013年9月至2016年10月间共计30117条数据;基于参数派生、转换进一步精简了数据;提出了多参数Boxplot算法,对离群值进行了筛除;在此基础上对相应参数开展了基本统计、相关性和显著性分析,确定了报废率预测模型构建核心参数。第二,利用假设检验和多元线性回归(Multiple linear regression,MLR)参数检验机制优选PCB报废率预测建模参数;在此基础上,将采用随机抽样将样本划分为训练样本(20693条)和测试样本(8890条);建立了多元回归分析模型,定义余数入库率和补投率评价指标,基于模型开展了预测分析和评估效果验证。第三,利用MLR优选后的模型参数,基于人工神经网络(Artificial neural network,ANN)构建了预测模型,基于初始分析优化确定了人工神经网络参数;开展投料仿真,同时对比分析了MLR和ANN的预测效果。第四,基于MLR和ANN效果,优选了MLR预测模型;结合企业具体需求,设计了相应策略,开发了服务化投料预测控件;并在企业开展了实施验证,整体效果显示基于数据挖掘预测模型在减少超投和补投两方面均优于实施前手工投料。本文从问题分析、参数梳理、派生、转换、离群值筛选、报废率相关参数优选、预测模型构建与评价指标确定以及实施验证等方面开展了系统研究,形成了基于数据挖掘的PCB样板投料优化的新途径;对其它类似问题研究也提供了参考和借鉴。