产线质量波动AI根因分析：因果推断方法实验

数据分析实验室近期围绕离散制造场景中的质量波动问题，开展基于因果推断的根因分析实验。传统相关性分析易将工艺参数与不良率的共变误判为因果关系，导致改善措施失效。本实验以某机加工产线的批次数据为对象，整合工艺参数、环境温湿度与来料批次信息，构建约120个变量的时序数据集，采用约束型因果发现算法并结合领域先验知识，学习变量间的因果图结构。阶段性进展：一是历史批次回测中，因果模型给出的候选根因Top5命中率约68%，较纯相关性排序提升约23个百分点；二是基于干预效应估计发现，主轴转速每提升1%，不良率平均上升约0.4个百分点，该结论已交工艺团队小批量验证。下一步将扩展至多产线迁移场景，检验因果结构跨产线的稳定性，并探索与现有SPC系统的告警联动方案。实验室将持续以可复现数据评估方法边界，务实推进工程落地。