PAF-Net：用于多工序制造质量预测的相位对齐频率解耦网络
机器学习
2025-07-31 v1
摘要
多工序制造中的精确质量预测对于工业效率至关重要，但受到三个核心挑战的制约：时间滞后工序相互作用、交叉操作的混合周期性以及共享频带中的工序依赖性。为此，我们提出 PAF-Net，一个基于频率解耦的时间序列预测框架，具有三个关键创新：(1) 基于频率域能量引导的相位相关对齐方法，用于同步时间滞后质量序列，解决时序错位问题。(2) 结合离散余弦变换 (DCT) 分解的频率独立 patch 注意力机制，用于捕获单个序列中的异构操作特征。(3) 频率解耦的交叉注意力模块，用于抑制无关频率的噪声，专注于共享带中的有意义依赖。实验在 4 个真实数据集上表明，PAF-Net 的优势。它比 10 个广为承认的基线方法具有 7.06% 更低的均方根误差 (MSE) 和 3.88% 更低的平均绝对误差 (MAE)。我们的代码已在 https://github.com/StevenLuan904/PAF-Net-Official 上提供。
引用
@article{arxiv.2507.22840,
title = {PAF-Net: Phase-Aligned Frequency Decoupling Network for Multi-Process Manufacturing Quality Prediction},
author = {Yang Luo and Haoyang Luan and Haoyun Pan and Yongquan Jia and Xiaofeng Gao and Guihai Chen},
journal= {arXiv preprint arXiv:2507.22840},
year = {2025}
}
备注
7 pages, 5 figures