工业现场的传感器与工艺数据常因网络抖动、设备停机或采集故障出现缺失，简单补零或线性插值会扭曲信号特征，影响后续建模质量。数据分析实验室近期围绕该问题开展时序缺失修复方法实验，在两组真实产线数据上对比了传统插值、矩阵分解与基于扩散模型的生成式修复三类方案。
实验阶段性结果：
- 在缺失率10%~40%的模拟场景下，扩散模型修复的RMSE较线性插值平均降低约35%，突变点与周期特征保留更好；
- 基于某注塑车间温压数据实测，使用修复后数据训练的异常检测模型F1值由0.78提升至0.86。
团队同时注意到，生成式方法对超过2小时的长连续缺失段修复稳定性不足，且计算开销偏高。下一步将引入多传感器关联约束与不确定性量化，让修复结果附带置信区间，供下游模型按可信度加权使用。相关方法将沉淀为通用数据预处理组件，支撑实验室后续工业分析类项目落地。
评论