1.一种基于人工智能的收卷方法，其特征在于，包括以下步骤：
S1：收集薄膜密度数据、薄膜厚度数据，以及薄膜收卷过程中薄膜卷的卷径数据、收卷过程中的薄膜张力数据，并对薄膜张力数据进行预处理，得到预处理后的薄膜张力数据；
S2：将薄膜密度数据、薄膜厚度数据与卷径数据进行融合，同时构建张力预测模型，进行薄膜张力数据缺失值填补，生成卷径-张力曲线；
所述张力预测模型首先提出位置缺失编码、缺失距离编码，分别对缺失值的位置以及缺失值与真值的距离进行标识，再将位置缺失编码、缺失距离编码与薄膜张力数据进行融合，输入门控循环单元，对薄膜张力数据进行预测并填补；
S3：计算PID系统每一次调整薄膜张力产生的超调幅度和波动时间，进而计算出超调惩罚项；
S4：构建张力等级划分模型，根据最大卷径，输出张力等级数量和对应张力；
所述张力等级划分模型的奖励函数采用定积分的方式计算卷径-张力曲线拟合度，张力等级划分模型的值函数采用Q-learning的方式进行计算，并采用ε-greedy策略，对张力等级划分模型进行更新；
S5：根据张力等级数量和对应张力，通过PID系统控制收卷过程中的薄膜张力。
2.根据权利要求1所述的基于人工智能的收卷方法，其特征在于，所述步骤S1中，所述卷径数据为离散时序数据，薄膜张力数据与卷径数据一一对应；
所述对薄膜张力数据进行预处理包括以下步骤：采用样条插值法，对不同卷径下的薄膜张力数据进行单次插值，得到插值后的薄膜张力数据，计算方式为：
其中，
3.根据权利要求2所述的基于人工智能的收卷方法，其特征在于，所述步骤S2包括：
S21：将薄膜密度数据、薄膜厚度数据与卷径数据进行融合，计算方式为：
其中，
S22：构建张力预测模型，预测薄膜张力数据的缺失值，并进行薄膜张力数据缺失值填补，计算方式为：
其中，
S23：根据预测结果，统计各个时刻的卷径数据、薄膜张力数据，生成卷径-张力曲线。
4.根据权利要求3所述的基于人工智能的收卷方法，其特征在于，所述步骤S3包括：
S31：记录PID系统每一次调整薄膜张力的过程中产生的超调幅度；
S32：当PID系统输出产生振荡时，记录振荡开始时间；
S33：当振荡幅度回到稳定范围内时，记录振荡停止时间，并与振荡开始时间作差，得到该次调整的波动时间；
S34：计算超调惩罚项，计算方式为：
其中，P为超调惩罚项，
5.根据权利要求4所述的基于人工智能的收卷方法，其特征在于，所述步骤S4包括：
S41：设计张力等级划分模型的状态空间为：卷径-张力曲线分段后的张力值序列；动作空间为：对当前张力等级进行合并、在当前张力等级添加新的分段点；所述张力值序列以0为序列中的第一个数值，以最大卷径为序列中的最后一个数值；
S42：设计张力等级划分模型的奖励函数，计算方式为：
其中，
S43：设计张力等级划分模型的值函数，计算方式为：
其中，
S44：采用ε-greedy策略，对张力等级划分模型进行更新，并输出张力等级数量和各张力等级的对应张力。
6.根据权利要求5所述的基于人工智能的收卷方法，其特征在于，所述步骤S5包括：
S51：初始化PID系统的比例、积分和微分参数；
S52：实时监测收卷过程中的薄膜张力和卷径；
S53：根据张力等级数量和各张力等级的对应张力，通过PID系统调整收卷过程中的薄膜张力。
7.一种基于人工智能的收卷系统，其特征在于，包括：
数据采集与预处理模块：收集薄膜密度数据、薄膜厚度数据，以及薄膜收卷过程中薄膜卷的卷径数据、收卷过程中的薄膜张力数据，并对薄膜张力数据进行预处理，得到预处理后的薄膜张力数据；
张力预测模型构建模块：将薄膜密度数据、薄膜厚度数据与卷径数据进行融合，同时构建张力预测模型，进行薄膜张力数据缺失值填补，生成卷径-张力曲线；
超调惩罚项计算模块：计算PID系统每一次调整薄膜张力产生的超调幅度和波动时间，进而计算出超调惩罚项；
张力等级划分模型构建模块：构建张力等级划分模型，根据最大卷径，输出张力等级数量和对应张力；
PID控制模块：根据张力等级数量和对应张力，通过PID系统控制收卷过程中的薄膜张力；
以实现如权利要求1-6任意一项所述的基于人工智能的收卷方法。