大数据驱动的质量管理：基于机器学习的产品缺陷预测

段景阔 1 宋建于（通讯作者）2

1. 四川鸿歌网络技术有限公司 四川省南充市 637500 2. 蜂巢能源科技股份有限公司 江苏省常州市 213212

摘要：针对离散制造过程中质量波动诱因复杂、缺陷追溯滞后的问题，本文以电子制造业 SMT 生产线为研究对象，构建基于 XGBoost 的产品缺陷预测模型。研究整合贴装精度、吸嘴负压、回流焊温度曲线、焊膏检测结果及 AOI 判定记录等多源数据，通过样本对齐、缺失值补全、异常值识别和互信息特征筛选形成结构化输入，并采用网格搜索与 5 折交叉验证优化模型参数。测试结果表明，优化后模型准确率达到 92.5%，召回率达到 89.3%，F1 值达到 90.8%，较优化前准确率提高 4.4 个百分点。实际应用显示，该模型可支持缺陷预警与工艺调整，使 SMT 焊接缺陷率降低 15%，生产成本节约 8%，具有较好的质量预防与现场应用价值。

关键词：大数据；质量管理；缺陷预测；XGBoost；SMT 生产线