在制造现场，设备时序数据的缺失几乎是常态：传感器掉线、采集网关重启、不同系统采样频率不一致，都会在数据流里留下空洞。下游的预测性维护与工艺优化模型，往往不是输在算法，而是输在喂进去的数据本身不完整。数据分析实验室这一阶段的工作，是把缺失补全从单信号插值，扩展为多源联合建模。
要点：
- 进展：以同一产线的振动、电流、温度与工艺工况标签构建时空关联输入，补全时同时约束“数值合理”与“与工况一致”。在内部测试集上，连续缺失 30 分钟以上片段的补全误差较线性插值下降约四成。
- 下一步：把补全置信度作为下游模型的输入权重，让不确定性显式传递，而不是被当作真实值直接使用。
我们不追求补出“好看”的曲线，只关心补出来的数据能否支撑判断。因此评估口径也相应调整：以剩余寿命预测、异常检测等下游任务是否获得稳定增益为准，而非单点数值拟合精度。
评论