工业时序数据缺失智能补全实验进展

工业产线中，传感器丢包、采样频率不一致与人工补录延迟，常使时序数据缺失率达到5%~20%，直接影响后续建模与预警的可靠性。数据分析实验室近期围绕缺失值补全开展了一组对比实验，评估线性插值、矩阵分解与基于注意力机制的序列补全方法在不同缺失模式下的表现。阶段性结果显示：在某装配产线三个月的振动与温度数据集上（缺失率约12%），基于注意力机制的补全方法较线性插值将RMSE降低约31%，且在连续缺失超过30分钟的场景中优势更为明显；同时发现随机缺失与块状缺失对方法的敏感度差异较大，块状缺失下深度方法与简单方法的差距收窄至10%以内，说明方法选型应结合缺失机制判断，而非一味追求复杂模型。下一步，实验室计划将补全模块与下游故障预警模型串联验证，量化数据质量改善对预警准确率与误报率的实际贡献，并沉淀一套缺失模式识别与补全方法选型的工程指引，为数据智能类项目提供可复用的数据前置处理能力。