聚酯纤维的适用范围日益广泛,市场需求量不断增长,生产规模急速扩大,使得聚酯纤维生产厂家之间的竞争日益激烈。随着高新技术产业的迅猛发展,聚酯纤维行业也开启了一个新的纪元。“工业4.0”的推出,使得制造业不遗余力地结合云计算、物联网、大数据等技术以促进自身发展,这对聚酯纤维的生产而言是千载难逢的发展机遇。在这一背景下,本文设计了面向聚酯纤维生产的全流程工业云平台,对工业现场、云端和客户端的方案进行了详细的设计,针对聚酯全流程数据不完整及数据的质量进行评估与填补,为保障聚酯纤维的生产质量奠定基础。本文主要完成以下工作:(1)面向聚酯纤维全流程,通过定义数据流的完整性、准确性、一致性,使用极限学习机(ELM)对缺失数据进行填补,解决数据缺失的问题,提高数据的质量。实验结果表明,ELM方法能使聚酯产业数据的质量得到提高。(2)针对生产流程数据不完整,提出一种人工免疫启发的数据填补算法,可有效提高流程工业中产生的大规模的复杂数据的完整性。该方法先计算数据流的缺失率,缺失率在一定范围内时,通过计算个体的适应度、相似度和期望繁殖率进行评价,迭代后选出最优个体,对不完整的数据流进行替换;当缺失率超出某一阈值时,计算备用抗体库中的数据流综合评定值,并且用综合评定值对不完整的数据流进行替换。所有含有缺失值的数据都存放到抗原诊断区,便于进行数据分析并据此对聚酯纤维工业现场进行调整、改进与优化。实验结果表明,人工免疫启发的数据填补算法的填补效果优于ELM方法,时间复杂度优于EM算法。(3)搭建面向聚酯纤维全流程的工业云平台,使得聚酯纤维全流程的数据得到整合,提高生产流程的可视化与可控性。根据聚酯纤维的工业特点分别从工业现场、云计算平台、客户端三个方面进行设计方案设计,首先在工业现场布置合适的无线传感器形成WSN,再根据实际的计算需求选择Hadoop组件,对相应的现场硬件、Hadoop组件进行展开分析。然后,通过基于聚酯纤维云平台的性能预测验证实验证明了该方案的有效性。