当今中国已成为电子产品制造大国,印制电路板（Printed Circuit Board,PCB）产能也在逐渐向中国转移。研究PCB样板订单质量规律,合理指导投料优化和管控生产过程是降低车间综合成本的关键。目前,国内大部分样板生产企业质量管控主要依赖人工经验。从订单角度看,多品种、小批量、个体订单缺乏整体指导意义。从产品角度看,设计要求差异大、质量影响因素多且存在耦合影响,难以通过基本统计确定各订单质量规律。从生产角度看,工艺流程长、工序多、报废形式多样、生产过程质量管控难度大。从人员角度看,单件小批生产,难以形成保证稳定高质量的操作习惯。课题组前期利用多元回归分析、决策树、支持向量机、BP神经网络等数据挖掘手段对PCB样板质量预测开展了系统研究。但是基于前期研究实施情况和进一步调研发现仍有以下问题有待进一步深入研究:（1）对影响PCB样板质量的因素缺乏量化评判,结合特征选择能更好地优选后续模型构建的关键因素。（2）订单结构具有较大的差异且不同订单报废率影响因素也可能存在较大差异,对订单进行分组划分并优选各分组订单质量影响关键因素将有利于进一步提高预测模型的精准度。（3）结合PCB样板订单特点,研究融合先进的预测算法将进一步提高预测模型的精准度。（4）订单分组具有一定的模糊特性,相应参数组合度大,初始化具有较大的随机性,有待进一步研究融入模糊特性的预测机制和结合启发式算法的优化机制。在此基础上,从下面四个方面开展研究:第一,识别影响质量的属性并对其进行重要性排序,为后续数据规范累计和相应模型构建提供高质量的数据源。对订单数据属性进行基本分析,开展特征降维,识别关键属性,找到持续产生高质量产品的工艺和产品参数;第二,基于卡方自动交互检测（Chi-squared Automatic Interaction Detector,CHAID）决策树算法和SPSS Moderler数据挖掘软件建立订单分类模型,以每个订单的实际报废率为类别进行分箱处理,清晰地描绘报废率与样板参数和工艺流程之间的关系,以便于企业更合理的管理订单并进行分组管控。第三,利用Python编程语言,自编程实现基于自组织映射（Self-organization Maping,SOM）聚类神经网络和BP神经网络算法的PCB报废率预测模型。该预测模型将全体数据聚合成多个不同的组,分别对这些组进行预测,最后对比经过聚类后和没有经过聚类所产生预测结果的差异;第四,利用订单分组具有模糊性的特点,采用模糊C均值（Fuzzy C-Means,FCM）聚类算法、遗传算法（Genetic Algorithm,GA）和BP神经网络相结合的新型机制,验证这种结合了模糊特性和启发式优化的数据挖掘算法模型解决实际问题的能力。基于大数据驱动的小批量多品种PCB样板质量管理研究,将促进企业产品改进,优化工艺参数,改善生产质量和客户关系,进一步降低设计、生产与销售等环节的风险损失,提升企业效益。其中,SOM-BP模型将余数入库率和补投率分别从人工投料的27.95%和17.91%降低到10.13%和9.37%。此外,使用FCM聚类解决订单数据的模糊特性和遗传算法优化神经网络后,FCM-GABP模型将余数入库率和补投率分别降低到8.42%和12.24%。