在制造业数据智能方向，我们近期把实验重心放在一个常被低估的环节：多源产线数据的缺失值处理。MES、PLC、质检记录与设备日志的时间戳频率不一致，停机、断网与人工补录又会制造大量空洞，直接训练模型往往得到虚高的离线指标。
本阶段实验采用「先对齐、后判别、再填补」的三步流程：以工单与批次为骨架对齐多源时间轴，再用缺失模式（随机缺失、连续缺失、整段掉线）区分填补策略，最后对连续缺失段引入工艺约束，避免插值结果超出物理合理区间。在一条注塑产线的试运行数据上，整段掉线场景的填补误差相比线性插值下降约三成，下游良率预测模型的跨月稳定性也有改善。
要点：
- 进展：完成缺失模式分类器与工艺约束填补模块的联调，支持按设备、工序粒度配置策略。
- 下一步：把填补置信度作为特征输入下游模型，让模型在数据质量偏低时主动降权，而非被动接受清洗结果。
我们仍把这项工作视为数据智能的基础设施，而非独立产品能力。
评论