AI时序数据补全定制：缺失段重建与质量画像

产线时序数据常因采集抖动、网络中断与传感器检修出现缺口，简单删除或前值填充会把偏差带进后续模型。本期实验在一条汽车零部件冲压线的 42 路信号上，尝试用掩码重建做缺失补全：模型只看到可见片段与工况标记，重建被遮挡的时间窗，再用补全数据重训下游的节拍预测与能耗基线模型，以任务误差反向评价补全质量，而非只看重建 RMSE。

进展与数据：

• 在 3%~8% 随机缺失与 15 分钟连续断档两类场景下，补全后节拍预测 MAE 较前值填充下降约 14%，能耗基线误报减少约三成；
• 模型同步输出逐点置信区间与可疑时段，形成轻量数据质量画像，供数据工程师优先排查采集链路。

下一步计划把质量画像前置到数据接入环节，在新产线上做灰度验证，并检验跨工况迁移时补全结果的稳定性。