离散型制造为企业生产的一种重要形式,具有生产路径灵活,设备关系复杂等特点。为保证离散型制造过程的高效进行,进一步整合生产资源,提高生产过程透明度和智能化水平,需对生产过程数据进行高效采集并灵活存储。采集得到生产数据中蕴含了丰富的生产信息,在不同的数据应用场景中,需要根据具体的应用需求对生产数据进行挖掘分析。本文针对产品质量预测问题,利用特征处理对数据进行筛选,并根据数据特点构建新特征,形成与产品质量直接相关的数据集,采用集成学习方法进行建模,实现了对产品质量的有效预测。具体工作如下:1)针对生产数据采集,首先对面向离散型制造的信息物理系统框架进行了概述。从PLC、机器人、数控机床的数据采集、控制,以及传感器的数据采集方面对生产数据采集和生产设备控制方法进行了研究。探讨了以Postgre SQL数据库为核心的生产数据管理方案,并根据生产数据类型对数据表进行设计。开发了生产数据采集与管理原型系统,实现对西门子PLC、华中数控机床、华数机器人以及PCB加速度传感器的数据采集和管理。2)针对生产数据信息密度低的问题,对数据进行特征处理,得到用于产品质量预测的有效特征。依据数值型特征在XGBoost模型构建中的增益量,相关分析,以及不合格率分布对数值特征进行筛选。由时间特征,通过三次样条拟合生产开始时间和不合格产品数量,再对拟合后的曲线求导得到产线性能特征,并构建生产时间、批次、生产路径等特征。对类别型特征,基于Hash计算去除重复特征,通过XGBoost算法对整数编码后的特征进行选择,并使用WOE方法对最终保留的特征进行编码。对特征处理得到的数据集与原始数据集的质量预测效果进行对比,说明了特征处理的必要性。3)针对产品质量预测,使用集成学习方法进行建模。通过分析离散型制造数据的特点,选择了随机森林、XGBoost、Light GBM和Cat Boost四种集成学习算法。使用基于TPE代理的贝叶斯优化算法对模型关键超参数进行选择,并与随机搜索方法进行对比,结果表明前者搜索效率更高,得到的超参数更优。使用优化后的超参数建立所选的集成学习模型,并对各模型的产品质量预测性能进行了对比。4)为进一步提升产品质量预测的准确性,研究了基于人工神经网络和Focal Loss的模型融合方法,利用反向传播机制,自动调整模型融合权重,并通过隐藏层提高整体模型非线性表达能力。与传统的均值融合和加权融合方法相比,所提方法具有更好的融合效果。最后将所提的融合模型与单个集成学习模型进行对比,验证了所提方法的有效性。