随着数字时代的发展,数据已经成为一种隐形资产,对数据的管理和研究成为制造企业竞争的热点和可持续发展的核心。目前,西安西电高压开关操动机构公司的质量管理系统存在数据来源复杂、数据碎片化严重、数据孤岛等问题,系统不能及时地、精确地指导企业管理层的商业决策,不能提高质量分析人员的分析效率和准确率,不能满足企业业务规则变化的需求,不能满足企业精益化质量管理的要求。基于规则的数据分析与可视化系统可以解决这些问题。具体的研究工作如下:本文对质量数据分析中质量控制图异常模式识别的算法进行了研究。分析了传统BP神经网络进行模式识别的优缺点,提出了一种参数可调的激励函数和阈值自主调节的BP神经网络算法。采用了蒙特卡罗方法产生符合实际生产的样本数据,通过对样本数据的预处理,将预处理后的数据作为网络的输入,并且设计、训练、测试神经网络,将网络的输出结果与其他算法的模式识别结果进行比较,验证了本文算法的可行性。针对传统的质量管理系统不能满足业务规则变化的瓶颈,本文引入了Drools规则引擎技术,分析了制造过程中关键工序的质量控制图异常模式的业务规则,用DRL语言将业务规则编写成规则文件,建立了用于存储规则文件的规则库,利用Rete模式匹配算法实现了事实和规则的匹配。Drools规则引擎技术将业务规则与程序代码相分离,方便了规则库的更新和修改,实现了业务规则的智能推理,降低了系统开发和维护的难度。通过对机构公司目前的质量管理系统进行需求分析,建立了基于规则的数据分析与可视化系统的总体架构。在需求分析的基础上,设计和实现系统,并利用本系统开展了实例应用。其中,以制造过程关键工序的质量特性为研究对象,利用本文改进的BP神经网络算法,结合本系统的业务规则匹配功能,实现了质量控制图异常模式的识别,并给出了相应的质量异常原因和纠正措施,验证了该算法的实际可行性和本系统的有效性、可靠性。图40幅,表4个,参考文献65篇。