随着全球制造业数字化、网络化、智能化的步伐不断加快,我国工业面临转型升级的问题。信息技术与传统工业的深度融合是第四次工业革命的主要发展方向。当代工业制造过程日趋复杂,主要呈现出如下特点:规模扩大,加工步骤关系复杂化,工业制造过程形成了复杂的系统;在制造过程中发生的异常往往会造成巨大的损失。不幸的是,工业制造过程中即使是高端设备也无法避免运行过程中产生异常问题。与此同时,一些人工干预手段也有可能导致制造过程的异常。由此可见,若能对产品的品质或是制造过程中出现的异常及时预测并采取预防措施,这将提高整个生产流程的效率,从而更好的保证产品的质量和服务。当前,绝大多数工业企业进行质量控制的方法主要还是投入大量的维护费用以保证生产制造过程正常运行。但是,一些工业企业已经开始探索如何利用机器学习和人工智能的方法,从生产线积累的大量数据中进行模式学习,从而能够提前对工业制造过程进行质量预测,及时发现工业制造过程中的问题所在,以保证工业制造过程可以快速有效地进行。本文将研究焦点放在化工产品的质量预测上,具体解决的是工业大数据的时间序列预测问题。本文利用了两份来源相同(都来自真实化工企业生产环境),但预处理方式不同的数据集,从两个完全不同的研究角度对解决上述问题进行了探索。第一个角度是针对采用了旋转门压缩算法进行预处理的数据集,本文通过基于特征工程和集成学习-极端梯度提升树算法的方式建立模型,另一个角度是针对原始长时间序列(这里长时间序列指的是每个化工产品批次所经历的时刻记录点数量很大),本文首先使用类似于机器翻译的编码-解码技术将其转化为短序列,然后不依赖任何额外的人工处理,使用长短期记忆网络深度学习模型对其建模。最终本文将上述两个角度的建模框架进行整合,生成最终的预测模型。实验结果表明,利用该整合后的学习框架可对生产过程及时调控,其质量控制的效果优于传统的质量控制方式:大大降低了工业企业的运营成本,显著提高了企业的成产效率。本文的创新点在于,将主流的机器学习方法和最新的深度学习模型结合起来,综合利用两者的优势,以实现更精准更智能的化工产品质量预测。