随着人工智能和数据分析技术的发展,质量识别与预测技术可以有效提升生产制造过程质量。烧结工艺作为压电陶瓷的关键工艺因为其具有多参数、强耦合、大滞后和非线性的特点,所以使烧成品合格率和质量一致性难以保证。因此,选用合适的质量识别及预测模型对质量指标进行预测,根据预测结果对过程参数进行调整,可以有效减少烧结质量的波动并提高产品质量的一致性。本文在全面分析压电陶瓷烧结工艺及特点的基础上,总结出影响烧结质量的关键因素。根据质量指标检测滞后情况,运用烧结质量识别和预测模型实现烧结收缩率的识别,并对体积密度、介电损耗、机电耦合系数和压电常数进行预测。最后实现质量预测系统的开发。论文主要内容如下:首先对压电陶瓷产品烧结过程数据进行小波阈值降噪处理,利用多传感器融合确定窑炉高温区温度。对窑炉温度序列时域特征进行提取分析,并使用灰色关联度法对烧结过程变量与质量指标进行分析。通过选取温度序列建立融合注意力机制的LSTM模型（LSTM-Attention）,对烧结收缩率进行质量识别。针对烧结收缩率合格的烧成品利用随机森林选择变量,结合关联度分析结果确定指标的最优输入变量。通过多核极限学习机模型（MKELM）对指标进行预测,运用改进粒子群算法（IPSO）对模型进行参数优化。并将IPSO-MKELM模型与其他预测模型的性能进行对比,获得更准确的预测结果。对指标预测值超出质量标准范围较少的烧成品,可通过调整后续工序参数进行烧结质量的补救,从而进一步提升烧结质量及产品合格率。最后,针对传统压电陶瓷企业烧结车间现状,进行压电陶瓷烧结质量预测系统开发,根据不同质量指标,用户可以采用合理的模型进行质量识别与预测分析,并进行异常数据信息查看。同时,该系统可为后续质量分析和工序改进提供依据。