汽车动力总成机加工生产线在生产过程中会产生大量的设备传感器数据与无线射频识别(Radio Frequency Identification,RFID)生产信息标签数据,其数据具有时空关联性、海量性、不确定和实时性等特点。现代工厂大规模数据的系统集成、数据管理、数据储存以及工业系统中数据冗余、数据传输困难,是生产线制造执行系统领域亟待解决的问题。针对以上问题,本文通过对现阶段制造执行系统(MES)的发展现状、生产数据管理、数据库压缩方法等方面的研究总结了国内外相关领域的研究进展以及存在的不足。引入了路径编码压缩及工艺数据聚类方法对海量的工艺数据进行轻量化。以期达到保证生产过程数据传输的正确性、完整性、实时性和一致性,提升制造执行系统运行效率的目的。本文的主要研究内容分为以下三个部分:(1)制造执行系统(MES)的系统架构及数据模型建立自动化车间系统体系架构,并设计了基于RFID数据的系统信息交互流程。在生产过程数据、生产质量数据、生产路径数据的基础上建立了生产工艺数据立方体模型,为后续的数据轻量化方法提供了基础。(2)基于聚类的数据轻量化方法引入无监督的高维数据聚类方法,解决高维数据的参考压缩问题。对于其中信息密度大的路径数据,采用wgid(workpiece generalized identifiers)路径编码压缩方法。在综合对比了K-means聚类方法、Hierarchical层次聚类算法、自组织神经网络SOM算法后,证实了Kmeans算法在聚类效果以及SOM算法在孤立点挖掘上的优势,进而利用SOM算法进行了聚类结果优化。(3)汽车动力总成MES系统数据轻量化工程应用将轻量化工艺数据方法应用到上海市临港某汽车动力总成智能制造产线MES系统中,构建MES系统工艺数据轻量化框架,建立优化数据库,通过实例证明轻量化工艺数据方法的有效性和实用性。综上所述,本文将机器学习的K-means聚类方法与深度学习自组织神经网络(SOM)引入到汽车动力总成制造执行系统的工艺数据优化中,并进行了数据轻量化研究。该方法不仅对于汽车动力总成自动化生产线在工艺数据分析与处理等方面提供新的理论方法与技术指导,对航空航天、列车船舶等离散化制造业的工业信息系统数据管理领域也具有借鉴意义。