随着物质生活的丰富,客户对产品质量要求越来越高。传统的过程质量控制方法大多是“事后控制”,使用的数据仅是离线数据,不能很好地应用于在线生产。传感器技术的发展,使得生产过程处于大数据环境,也为应用大数据和机器学习方法提供了条件。为了提升过程质量控制水平,满足在线控制的需求,本文对大数据环境下的生产过程质量控制进行研究。首先,对工艺实现过程进行建模分析。对工艺实现过程进行一般性分析,提炼出影响产品质量的过程参数,建立过程参数对产品质量的影响模型,构建了从数据采集到结果应用的过程质量控制逻辑模型,为后文奠定模型基础。然后,建立了基于监督学习的过程质量预测模型。对过程质量预测问题进行分析,明确了数据结构和内容、问题解决思路;以过程参数作为输入、质量特性值作为输出,通过模型结构设计、参数优化、数据预处理等,训练基于神经网络的过程质量预测模型。考虑到模型预测精度和收敛性,采用GA算法对模型结构参数进行了优化。将模型应用到涂装工艺中,得到优化后模型的累积均方误差在第5代收敛至1.2819?10-5,预测精度和收敛速度都得到了提升。最后,建立了基于强化学习的过程参数在线优化模型。用质量预测模型模拟实际作业环境,分析了强化学习智能体与模拟环境作用的过程,设计了该过程的MDP模型。针对涂装工艺的特点,采用Q-learning算法求解。该智能体获得的奖励值R收敛至600左右,Q值收敛至8500左右;初始过程参数下的质量特性不满足生产要求,智能体通过2个动作便成功地转移到满足生产要求的目标过程参数;缺陷数量从169下降到64。实例证明本文所提方法能够有效提升产品质量水平。