随着工业制造领域自动化的全面普及和信息化的快速发展,工业制造领域的各个环节时刻都在产生着大量的数据,通过这些信息能够分析设备状态,产品质量等方面的问题。但是由于工业生产环境存在很多影响因素影响着工业数据的质量,其中噪声数据问题和数据不平衡问题普遍存在且严重影响着数据分析结果的可靠性。对于噪声数据问题,本文根据实验数据中的噪声特点,提出了针对此类噪声的预处理方法,该方法能够准确高效地对数据中的随机噪声和拧紧工艺产生的噪声进行消噪,从而极大提升了样本数据的质量,另外,对数据的主体部分实现了对齐,方便了后续的数据分析。对于不平衡数据问题,一般从数据层面和算法层面进行研究。本文对传统的SMOTE过采样方法进行改进,基于DBSCAN聚类思想,在对类内不平衡样本进行过采样时,克服了传统SMOTE方法容易改变样本空间分布特性的缺点,同时,改进的方法能够对价值较高的孤立样本进行数据合成,从而保留了更多的样本特征。在样本特征提取和分类方面,本文运用PCA降维得到维度较低的数据集,通过提升树算法训练得到样本分类器,从而实现了针对不平衡数据集的螺栓拧紧工艺异常检测模型。最后,本文利用螺栓拧紧的实际生产数据对检测模型进行了有效性的验证和仿真实验,并对该模型的实时化应用进行了研究。