我国战略目标“智能制造”一经提出,国内外对智慧制造业的探索和数字化生产的发展如火如荼。制造业数字化改造,对人工智能技术和计算机知识、高级信息处理、视觉、声音技术等提出了新要求。机器学习也将用于更广泛的、高度自动化的行业领域,如基于异常测量的传感器处理、可预测性管理等。研究人员已开始利用人工智能和机器学习技术,解决企业在生产加工与质量管理方面的自动化问题。2022年3月以来,迅速传播的奥密克戎变种使疫情在我国本土多地蔓延,不仅影响消费与服务业,甚至导致工业企业的经营不稳定。其加工过程的数字化、质量控制自动化的要求越来越明显。对于由多个加工零部件构成的拉伸套膜机包装机,国内仍使用传统方式对其实施质量控制,面临控制效率差、质量生产成本高和工艺周期长等问题,有必要运用现代化方式对拉伸套膜包装机中的典型零件的加工质量实施控制。本文以某企业拉伸套膜包装机典型零件作为研究对象,为实现对其典型零件加工质量有效控制开展了以下研究:首先,经过国内外现状分析,建立拉伸套膜机及其典型零件加工质量控制的总体架构,即一种通过学习典型零件历史质量数据集去预测未来加工质量再进行加工质量控制的总体架构;针对数据集特点,给出质量数据集的构成范式和预测目标;基于数据集特点和算法优缺点对比,给出相对最优的关键质量特性识别方法（Relief＆Genetic Algorithm-Wrapper）和相对最适合的加工质量预测算法（Support Vector Machine＆Support Vector Regression）及其参数优化方法（Particle Swarm Optimization）;利用预测结果,提出基于加工质量预测的加工质量控制总体流程。其次,分析典型零件质量数据集范式中具体数据特点,给出其质量数据集连通Relief＆GA-Wrapper算法进行关键质量特性识别的详细方案,即先对原始数据进行数据预处理,再交给Relief系列算法计算权重,然后输入到GAWrapper遗传算法进行特征筛选;给出数据预处理具体采用算法及其运算步骤、Relief系列算法具体运算步骤和GA-Wrapper算法具体运算步骤。再次,分析典型零件质量数据集的预测目标,并给出相匹配的预测算法及其具体原理,即分类预测问题采用SVM算法,回归预测问题采用SVR算法;针对SVM＆SVR预测算法的不足,给出基于PSO的参数优化方法;结合预测结果,给出加工质量控制的详细方案和执行步骤;通过实际算例,验证整套基于预测模型的加工质量控制方法的有效性。最后,使用python程序语言开发拉伸套膜包装机加工质量控制原型系统,整合文中所述的所有算法并通过用户界面交互提高算法的易用性。从原始数据获取、数据预处理到关键质量特性识别、加工质量预测到最终实现加工质量控制的一整套方法,充分利用企业数据流,为企业事前质量控制提供判断依据,克服企业当前拉伸套膜机加工质量控制的缺陷,对于实现拉伸套膜包装机“智能制造”具有一定的理论与现实意义。