近日，我校凯捷体育注册崔慶安老師與其博士生盧皎在《Measurement Science and Technology》（JCR 1區）期刊發表了題為“Causality enhanced deep learning framework for quality characteristic prediction via long sequence multivariate time-series data”的學術論文🟣。

該研究的核心觀點為：

摘要：產品質量特性預測對於及時識別產品質量狀況🪔、對異常產品做出預警具有重要作用。在現代製造系統中🙇🏼，由傳感器采集到大量的過程參數，然而，過程參數之間復雜的相互作用及變量的高維性使得無法直接將所有過程參數作為預測模型的輸入。為了篩選出測量過程中的關鍵過程參數，從而最大限度地減少噪聲幹擾，降低模型復雜度😍🥎，提高預測精度和可解釋性，本文提出了一種用於多階段製造過程的時間序列因果發現和質量預測框架🈺。首先🙇🏿🕟，提出了一種分層彼得-克拉克瞬時條件獨立性檢驗（Hierarchical Peter-Clark Momentary Conditional Independence🧑🏽‍💻，HPCMCI）算法🧩，用於識別最優時間滯後🦥，從而建立過程參數與質量特性之間的因果關系🐦，有效提取關鍵工藝參數。其次，采用基於時序模式註意力-長短期記憶網絡（Temporal Pattern Attention-Long Short-Term Memory，TPA-LSTM）➔，結合所獲得的因果結構，對多變量時間序列進行質量特性預測。最後，以一個多階段連續生產化工過程為例👩🏼‍🎓🤸🏻‍♀️，驗證了該方法的有效性和優越性。

全文鏈接為：https://doi.org/10.1088/1361-6501/adb05a