互联网时代已经让数据挖掘技术成为目前前沿的学科,数据挖掘就是从浩如烟海的数据中发掘出内涵的、不为人所知的、对未来决策有可能的产生影响的模式、关系、和趋势,并建立起适用于决策支持的基础体系。由此也诞生了一个新的工作岗位:数据科学家,数据也成为了一种新型财富,通过一组数据,可以刻画一个趋势、一个企业、一个国家,甚至一个人的方方面面,数据科学的发展正在不断推动人类社会前进的步伐。作为“世界工厂”的中国,经历了外界对“中国制造”的种种质疑,2013年4月德国推出了工业4.0,而中国也在2015年5月公布了“中国制造2025”的行动纲领,为未来的制造业指明了方向,而装备、工艺和信息技术的日新月异,也使得以IT为基础的各种控制模块、系统得到了广泛应用,它可以实时在线收集、储存制造流程中的海量数据,包括过去和未来。部分传统的制造型企业已经装备了部分数据智能化分析软件,覆盖包括客户需求、设计、设备控制、过程参数、质量管理等功能,但这些数据分析工具更多的关注当前正在发生的情况,很少有对过去的关注和对未来趋势的判断,而在管理过程中越来越依赖于“数据说话”的方式进行决策、资源分配。工业领域的数据具有一些显著性的特点,比如海量数据的同步实时采集,过程中的采集点多,数据类型丰富多样,且不同类型的数据具有较强的关系。数据容易被复杂的工况条件干扰,因而稳定性、完整性不足。本文对A公司生产设备存储的历史数据进行研究,采集了温度、挤出速度、压力、时间等37种设备过程参数作为自变量,产品重量1种作为因变量。利用SPSS统计分析软件,首先通过描述性统计,剔除了 22种不符合统计学规律的自变量,再进行数据的相关性分析,剔除了 5种高相关性自变量,保留10个关键有效自变量进行回归、降维、主成分因子分析等,得出了重量和温度、压力关系最密切的结论。也许通过经验也能得到同样的结论,但这种分析方法,具有更准确、更广泛的适应性。