(1) MES系统统计分析方法

    MES利用概率论和数理统计的方法，对已有的大量生产数据进行统计分析，寻找影响质量指标的主要因素及其与产品质量之间的关系，在多数情况下，可以归纳为一种数学上的函数关系。MES体现一种动态的质量模型；不涉及时间因素时获得的模型称为静态模型。另外，如果已经给出了质量模型的基本结构，即函数/ 的具体形式已知，只需要统计分析模型的具体参数，那么模型化的主要工作是参数辨识。

   (2) MES系统基于机理分析的方法

    MES由于影响质量指标的因素很多，单纯依靠数学上的统计分析常常会面对非常庞大的数据以及过于复杂的质量模式。MES但根据生产工艺，利用已知的物理、化学定律，分析质量指标和影响因素之间的关系，却能建立一种相对简洁、准确的质量模型。这种利用机理分析方法所得到的质量模型叫机理模型。

    (3) MES系统基于控制论的试验测试方法

    MES把产品质量指标视为几个主要影响因素的函数，通过试验方法，改变一个或几个影响因素，观察产品质量指标的变化情况，获得输入输出数据，再应用数学方法，确定质量模型的结构及其参数。这是一种系统辨识方法，也是一种黑箱测试法。

  （4）MES系统基于知识的人工智能方法

    事实上，MES影响产品质量的因素很多、很复杂，有些因素是可观测，有些是不可观测的；有些是连续出现的，有些是非连续的；有些是数值的，有些非数值的，可能根本无法用一个数学模型加以描述，所以，只能用一些经验的、启发式的规则，对质量影响因素作必要的说明。MES虽然相对函数形式的模型，规则显得有些过于粗糙，但在没有办法获得准确质量模型的情况下，这种规则也不失为一种好方法，并且这种方法能适应各种复杂系统，便于人们使用和理解。

  （5)MES系统人工神经网络方法

   MES人工神经网络是一种利用多个简单的非线性人工神经元而组成特定结构的网络系统。这种网络系统具有非线性、自适应、自学习的功能，能描述许多复杂的非线性关系。利用人工神经网络方法，首先要选择一个合适的网络模型，把产品质量指标作为网络输出，影响因素作为网络输人，MES通过一定的学习、训练，调整神经元之间的连接权。网络的输人、输出关系代表了产品质量关系，可以描述各种复杂的非线性产品质量模型。

  (6) MES系统数据挖掘方法

   MES数据挖掘是运用基于计算机的方法，包括线性回归、非线性回归、概率统计 、聚类分析、分类、立方体分析、机器学习等各种新技术，从数据中获得有用知识的过程。数据挖掘有预测和描述两个基本目标。MES预测是用数据集中的一些变量或域，预测用户关心的未知变量值；描述则力图从数据集中发现并描述出可由人类解释的数据模式。因此，数据挖掘可分为下面两类。

   ① 预测性数据挖掘。从已知数据集中发现能预测系统行为的数学模型。例如，从大量的股票数据中发现股票成长的数学模型，预测某股票的涨跌。

   ② 描述性数据挖掘。在可用数据集的基础上，发现新的、非同寻常的规律或知识。例如，从超市收银台记录的众多数据中发现顾客的购买行为模式。

    MES系统这两类数据挖掘方法都可以用来建立产品的质量模型，但在实际应用时，要根据产品的质量影响因素和数据积累情况，选择合适的挖掘技术。MES根据数据挖掘结果，数据挖掘可分为分类知识挖掘、聚类知识挖掘、关联规则挖掘和序列知识挖掘等。其中，分类是提出一个分类函数或分类模型，把数据库中的数据项映射到给定类别中的某一个。挖掘分类知识就是根据数据库中的数据，建立分类规则（模型），以分析未被分类的其他数据或预测未来数据的发展趋势。MES聚类是将数据对象分组成多个类或簇，在同一簇中的对象之间具有较高的相似度，而不同簇中的对象差别较大。挖掘聚类知识就是自动发现数据的类别。MES与分类不同，聚类是事先不知道数据的类别，而一般分类要事先给定类别，寻找数据分类的规则。顺序规则挖掘包括时序数据挖掘和序列数据挖掘两部分内容。时序数据指按时间先后顺序排列的数据，序列数据是指按事件顺序或空间顺序排列的数据。