汽车生产制造需要大量使用螺栓连接,其连接质量直接影响产品性能。随着工业物联网的迅速普及,具有监测功能的打紧设备在企业中广泛应用。打紧工艺过程涉及扭矩、转角、时间等多类型海量数据,利用大数据分析方法,结合企业螺栓打紧工艺对原始数据进行数据挖掘,建立异常检测模型,实现对潜在异常的模式识别,为企业提供准确的质量管理决策。本文从企业生产实际出发,分析了螺栓打紧的主要控制方法及理论,对螺栓打紧工艺过程及历经阶段进行研究,分析了目前企业应用自动打紧设备的质量控制技术,指出存在的质量评价缺陷。通过对螺栓打紧工艺原始数据特性的分析,总结了数据集存在的几方面问题,针对螺栓打紧数据不均衡特点,在SMOTE算法的基础上进行改进,并通过实验验证改进SMOTE算法的有效性。在对打紧技术分析的基础上,运用了大数据运算框架,完成对原始数据的预处理工作,进一步地提取螺栓打紧工艺直接特征与间接特征。针对螺栓打紧业务特点,基于CART决策树建立异常检测模型对螺栓打紧工艺的特征信息进行数据挖掘,诊断打紧质量,结合网格搜索和交叉验证寻找树深、基尼不纯度阈值参数的全局最优解,提高了模型的泛化能力和诊断精度。利用学习曲线和ROC曲线下面积AUC值对模型性能进行了评价,并对模型树进行了可视化解释。在此基础上,基于KMeans聚类分析打紧过程异常原因及异常模式识别分类,使用“手肘法”确定最优的聚类个数,综合螺栓打紧工艺对打紧过程异常情况进行了分类识别。最后,通过实验,从加速比、可扩展性、规模增长性3方面衡量了Spark平台中并行化聚类算法的运行性能。