随着制造业以及汽车行业的发展,行业对电磁阀的质量要求越来越高。汽车电磁阀是动力传动系统的重要组成部分,它的质量好坏将直接影响到车辆的行驶安全问题。质量诊断作为质量管理工作的关键步骤,诊断的正确性以及时间的长短都对公司的正常生产起着至关重要的作用。BW公司生产的MDA（NL）这一电磁阀产品油测报废严重,并且只做到了事后控制。工作人员运用传统的质量诊断方法,对原因进行定位的时间过长,这就导致了公司的成本一直保持在很高的状态,且造成了生产延误。因此对其进行质量诊断的研究非常重要。针对产品油测报废严重且原因定位时间过长的问题,以BW公司MDA（NL）产品为研究对象,提出运用SPC控制图对油测数据进行监控,在控制图监测到异常的数据时,运用基于卷积神经网络的方法,对异常数据进行质量诊断,找到产品不合格的根本原因。首先,对不合格产品的油测数据以及对应的质量原因进行收集和预处理,筛选出影响质量的关键特性指标,并做到油测数据与原因之间的一一对应。然后,根据筛选出的重要特征变量,绘制出相应的均值-标准差控制图,并按照八种控制图失效模式对产品油测数据进行监控,使得可以及时发现数据的异常情况。最后,建立基于卷积神经网络的质量诊断模型,对监测到的异常数据进行质量诊断,并以准确率、召回率和Micro-F1值为评价指标,将其与其它常用于质量诊断的机器学习方法:决策树、支持向量机和逻辑回归进行比较分析,验证所选模型的适用性和有效性。结果显示,所提出的卷积神经网络质量诊断模型,可以有效的对油测不合格产品进行质量诊断,快速定位根本原因。本文的研究不仅解决了MDA（NL）产品油测不合格的快速质量诊断问题,还实现了质量控制,对公司的信誉、成本以及效益都起到了一定的积极作用。并且所提出的运用SPC控制图进行数据监控,对异常的数据运用卷积神经网络进行质量诊断的方法,为公司其他产品的质量诊断提供了一定的参考价值。