摘要
准确的形状控制对于确保热轧带材产品的质量至关重要，然而这一目标受到高维度、内在非线性和工艺参数强耦合性的严重挑战。尽管机器学习（ML）方法在产品质量建模方面表现出优异的预测性能，但其“黑箱”特性和缺乏透明度严重削弱了系统的可靠性，并阻碍了实际应用。现有的可解释人工智能（XAI）方法主要依赖于统计相关性，而忽略了耦合变量之间的因果机制，这严重限制了解释的有效性。为了解决这些问题，本文提出了一种用于热轧带材形状的因果XAI诊断和优化框架。首先，建立了一个混合因果结构学习模块，该模块将领域知识与NOTEARS-MLP算法相结合，以准确重建因果拓扑结构并解码工艺参数之间的复杂耦合机制。随后，构建了一个利用AutoML技术的高性能质量预测模块，以建立稳健的预测基线。此外，还引入了一个因果XAI和质量优化模块，该模块将因果约束纳入标准的Shapley加性解释（SHAP）分析中，以实现透明诊断，并采用分段线性分析（PLR）生成针对具体样本的优化策略。全面的实验验证表明，该预测模块在多个性能指标上显著优于现有的ML方法。进一步比较分析显示，基于因果特征属性的优化策略相比关联基线方法，缺陷率降低了14.7%，这种方法既有效又高效，为工业过程优化应用中的因果可解释性树立了新的基准。
