随着信息化技术的不断发展,人工智能逐渐应用于各行各业,在智能推荐、自动识别和趋势预测等领域都展现出了强大的能力。目前,制造行业也在积极探索人工智能的落地场景,以助力实现现代化生产的更高标准水平,物联网的应用可以帮助制造企业有效记录制造过程数据,实时可视化监控产品加工过程,结合大数据和云计算等技术施行智能质量管理方法,做到及时的故障诊断和产品故障全过程溯源,以提高产品质量水平。近年来,以统计学为基础的机器学习理论被广泛的应用在数据挖掘、模式识别和自然语言处理等领域,展现出良好的分类和预测能力。在工业物联网的实施背景下,制造企业产品质量管理也成为了机器学习理论的主要应用场景,利用工业大数据,机器学习可通建立故障预测模型,构建智能防差错系统,助力企业实现质量零缺陷。通过对W公司凸轮轴加工过程现状进行梳理,发现其主要存在质量问题溯源困难和制造过程关键工序的质量预测难以落地等问题,主要原因是由于未能充分挖掘制造过程数据中的有效信息来简化复杂的质量特性和质量结果之间的关系,零部件加工过程的关键质量特性识别和质量预测是实现降本增效的有效方法,本文基于数据驱动的思想,针对现存问题设计了适用于W公司凸轮轴加工过程的关键质量特性识别和加工参数预测的流程方案。基于数据驱动的关键质量特性识别是以特征选择理论为基础,通过过滤掉制造过程数据中与质量结果无关、冗余的特征维度以达到特征指标最优化的目的。本文在梳理了相关研究的基础上,结合凸轮轴加工的实际场景,提出了基于NSGAⅡ-GBDT的关键质量特性识别方法,该方法属于封装式特征选择方法,综合了多目标优化算法和决策树理论的优势,以多分类器对于各个质量结果的分类预测错误率和特征维数作为最小化的优化目标,通过NSGAⅡ算法进行质量特性种群的迭代寻优,构建满足多目标要求的非支配最优前沿,筛选凸轮轴加工过程中的关键质量特性。针对筛选出的关键质量特性,根据其相关的关键工序加工数据特点,本文构建了基于GM-ARMA-GBDT的组合预测模型,通过质量预测达到故障预防、降低返工成本的目的。该模型利用传统的滚动GM(1,1)和ARMA模型的预测数据作为输入信号,加工真实值作为输出信号训练GBDT模型,利用GBDT拟合预测数据和真实数据间的非线性特征,基于少量历史时间序列数据进行准确的质量预测。两部分模型组合形成一套W公司凸轮轴加工过程的关键质量特性识别和关键工序加工参数预测体系,为机器学习理论在智能质量管理领域的应用提供了一定的参考意义。