近日，我校经济管理学院崔庆安老师与其博士生卢皎在《Measurement Science and Technology》（JCR 1区）期刊发表了题为“Causality enhanced deep learning framework for quality characteristic prediction via long sequence multivariate time-series data”的学术论文。

该研究的核心观点为：

摘要：产品质量特性预测对于及时识别产品质量状况、对异常产品做出预警具有重要作用。在现代制造系统中，由传感器采集到大量的过程参数，然而，过程参数之间复杂的相互作用及变量的高维性使得无法直接将所有过程参数作为预测模型的输入。为了筛选出测量过程中的关键过程参数，从而最大限度地减少噪声干扰，降低模型复杂度，提高预测精度和可解释性，本文提出了一种用于多阶段制造过程的时间序列因果发现和质量预测框架。首先，提出了一种分层彼得-克拉克瞬时条件独立性检验（Hierarchical Peter-Clark Momentary Conditional Independence，HPCMCI）算法，用于识别最优时间滞后，从而建立过程参数与质量特性之间的因果关系，有效提取关键工艺参数。其次，采用基于时序模式注意力-长短期记忆网络（Temporal Pattern Attention-Long Short-Term Memory，TPA-LSTM），结合所获得的因果结构，对多变量时间序列进行质量特性预测。最后，以一个多阶段连续生产化工过程为例，验证了该方法的有效性和优越性。

全文链接为：https://doi.org/10.1088/1361-6501/adb05a