工业时序数据缺失值智能修复方法实验

工业现场时序数据常因传感器故障、网络中断出现缺失与噪声，直接影响后续分析与建模质量。数据分析实验室近期围绕数据智能方向，开展了基于深度学习的时序缺失值修复方法实验，选取某装配车间设备电流、温度与产量数据（采样间隔1分钟，缺失率约8%~15%）进行验证。
实验要点：
· 采用基于注意力机制的序列重建模型，与线性插值、KNN填充对比，在随机缺失场景下修复值平均绝对误差降低约32%，且较好保留了日内周期波动特征；
· 针对连续缺失超过2小时的长片段，重建精度明显下降，引入设备工况标签作为辅助变量后，误差进一步收窄约12%。
下一步计划：将该方法封装为数据预处理组件，接入实验室数据智能平台开展在线验证，并评估其在能耗分析与设备健康建模等下游任务中的实际增益，逐步形成可复用的工业时序数据治理方法。