随着中国制造2025的到来,汽车制造业数字化车间规模逐步扩大,白车身作为汽车总成的重要组成部分,由于质量问题导致的事故必然引起企业部门的重视,对其生产流程也是严格要求。影响问题日益加剧,多级制造系统中的车身装配精准控制问题是汽车行业长期研究却未能有效解决的问题之一。本文以制造企业生产过程质量管理为背景,针对汽车多级制造系统中传统机器学习方法处理多元数据样本时间久,精度低等特点,基于大数据分析并结合先进的机器学习技术,对多级制造系统中的车身装配进行预测,主要研究内容如下;首先,提出了基于CEEMDAN的特征提取方法。在经验模态分解基础上提出了自适应噪声的完备经验模态的构造原理和概念。由于检测时的数据信号受夹具装备或零件尺寸大小等外界环境的影响,所以故障信号分量会持有不平衡的随机性能,分析了基于自适应噪声的完备经验模态分解方法在处理数据信号时的优势,对处理这种非平稳数据提供了一种可行性手段。通过CEEMDAN与EMD和EEMD方法对比分析,验证了CEEMDAN在解决数据的混叠模态和分解过度问题方面的有效性和优越性。其次,提出了白车身尺寸偏差生产装配过程中的质量智能预测模型。通过对车身多级装配过程的分析,对众多数据样本进行预处理,建立基于Spearman系数的不同特征要素的绝对相关性矩阵,利用对生产流程的所有数据挖掘分析,提出数据分析流程与数据处理框架,在此基础上,建立基于XGBoost的车身尺寸装配质量智能预测模型,实现对车身尺寸装配的精准控制,准确快速的预测出车身装配中的异常数据,针对提出的车身质量智能预测模型,提出基于AUC＿ROC的评估方案,对模型性能进行训练及评估。从理论研究和实际应用出发,对整车白车身生产过程的质量进行预测,通过与传统机器学习算法的对比分析,验证XGBoost算法的可行性和高效性。最后,针对案例进行实验仿真分析。从案例验证研究入手,构建了基于车身制造质量数据检测和管理平台、车身制造过程尺寸数据的存储和操作分析系统。分析了初始系统在车身生产过程中的关键工序和生成的海量数据,在此基础上,利用了初始系统的开发环境条件和整体结构,并以案例公司为例进行了具体的实例分析,通过与传统机器学习算法的对比分析,验证了基于CEEMDAN和XGBoost算法的车身尺寸预测模型的可行性和高效性。综上,本文提出基于CEEMDAN和XGBoost算法车身尺寸预测模型,一方面可以解决汽车在生产过程中存在的分层化数据基数大、差异数据多、数据噪声与不稳定性等问题;另一方面可以实现对车身尺寸装配的精准预测控制,为汽车生产线的稳定运行提供技术支持。