随着5G、人工智能等新一代信息技术在制造行业领域的深度融合应用,基于信息物理系统的智能装备、智能生产线、智能工厂等逐渐改变传统汽车制造企业的生产运营模式,并对处理汽车零部件制造过程中所产生的多源、海量、异构数据提出了更高要求。然而在当前汽车变速箱箱体智能生产线运行过程中,由于制造数据自身的复杂性、动态性以及制造过程中数据采集失效、数据导入异常等,致使海量异构数据处理效率低、可靠性不高,难以支持变速箱箱体智能生产线的高效优化运行。为此,论文在分析变速箱箱体智能生产线制造数据特点和存在问题的基础上,围绕变速箱箱体智能生产线多源数据的清洗方法展开研究。首先,阐述变速箱箱体的加工工艺流程,分析变速箱箱体智能生产线加工运行过程中所产生的数据源、数据类型和数据特点,总结变速箱箱体智能生产线的数据清洗需求,研究一种变速箱箱体智能生产线数据总体清洗方案,设计一套变速箱箱体智能生产线多源数据清洗实现技术框架。其次,针对多源结构化数据的清洗需求,研究变速箱箱体智能生产线结构化数据的清洗标准,构建一种基于聚类分析的变速箱箱体加工数据清洗评判模型,研究基于生成对抗网络的多源结构化数据清洗方法。通过变速箱箱体加工数据清洗评估模型实现数据清洗评估分类;基于评估分类获得的正常数据和非正常数据,结合博弈论,构建生成对抗网络,实现对多源结构化异常数据的清洗。再次,针对多源非结构化数据的清洗需求,研究变速箱箱体智能生产线非结构化数据的清洗评判标准,从基本属性、语义属性和特征属性三个方面,构建一种变速箱箱体智能生产线非结构化数据描述模型,研究基于云贝叶斯网络的多源非结构化数据清洗方法。结合云模型和变速箱箱体智能生产线非结构化数据描述模型,将变速箱箱体加工数据清洗的定性评判标准转换为定量评判区间;结合贝叶斯网络和专家知识,评估变速箱箱体智能生产线多源非结构化数据清洗需求,并对数据进行清洗处理。最后,基于上述研究成果,结合课题组前期在某汽车制造企业开展的智能车间建设,设计并开发一套变速箱箱体智能生产线多源数据清洗工具原型,对上述研究方法及内容进行应用验证。