随着生产技术的高度发展,制造业开始进入工业4.0时代,生产数据开始呈现“大量、高速、多样、低价值密度等”大数据特点。生产效率的提升带来了对于制造业产品质量预测的新要求,同样制造工厂也需要应用极具针对性的质量预测方法来应对时代的挑战。为满足工厂智能化需求,现将工厂的生产活动同相关生产数据相结合并实现工业大数据的收集、存储及利用,以达到更高生产效率及更低生产成本的标准。本文具体研究内容如下:针对缸体压铸生产过程数据的时序性、高维性、异构性、海量性特征,本文提出了基于LSTM神经网络的质量预测方法,并与基于传统时间序列模型(ARIMA和HMM)的缸体压铸质量预测方法进行对比。本文参照营口H公司的发动机缸体压铸历史数据,对比上述三种缸体质量预测方法的优劣性,完成了缸体质量的分类预测及回归预测。分析可得:ARIMA模型运算量小、运算速度快,但是预测精度较低;HMM模型速度较快、准确率较高,可用于解决分类预测及回归预测问题,但是数据量的大幅增长并不能显著提升预测精度,故无法利用工业大数据价值;LSTM模型存在过拟合、训练速度慢等缺陷,但是预测精度较高,能够充分利用大数据的价值。大数据分析平台能够有效提升LSTM的训练速度。本文基于Cloudera商用版本Hadoop软件,在实验室环境下搭建大数据分析平台,部署并运行基于LSTM缸体质量预测方法。通过对比运算结果和单台计算机实现该方法的结果,好证明了大数据分析平台的有效性,优越性及必要性。缸体质量预测及大数据分析平台搭建是实现缸体压铸工厂智能化的重要环节。本文以这一环节为基础,提出数据驱动的缸体压铸工厂运行模式。通过现场调研方式,分析得到缸体压铸工厂价值流,并在此基础上给出完整的缸体压铸工厂智能化解决方案。