工业时序数据缺失补全实验：插值与深度模型对比

传感器掉线、采集卡重启与人工补录，是中小工厂时序数据最常见的三类缺口。数据分析实验室近期围绕缺失补全开展了一轮对照实验，目的不是追求补全精度上限，而是为后续工艺建模确定一条够用、可解释、易维护的数据处理基线。实验选取某机加工车间三条产线共90天的温度、压力与电流数据，人为构造5%、15%、30%三档随机缺失与连续缺失场景，对比线性插值、样条插值、KNN统计方法与自注意力时序补全模型（SAITS）四类方案。
要点一：随机缺失在15%以内时，样条插值与深度模型的MAPE差距小于1.5个百分点，但前者推理耗时不足后者的1/20，工程性价比明显。
要点二：连续缺失超过2小时后，插值类方法误差快速放大，SAITS优势显现，MAPE约低6~8个百分点。
下一步计划：将补全环节封装为数据管道的可选组件，默认使用轻量插值，仅在连续缺失场景触发深度模型，并于下季度结合一个真实项目验证该策略对下游预测任务的实际增益。