工业时序数据缺失补全实验：传感丢包场景

工业现场中，传感器丢包、网关断连与采样抖动常导致时序数据缺失，是数据分析类项目普遍面临的质量瓶颈。数据分析实验室近期围绕缺失补全方法开展了一轮对比实验，重点评估线性插值、基于相似工况的KNN填充与轻量级时序自编码器三类方案在真实产线数据上的表现。
实验选取某车间三个月的设备运行数据，人为构造5%~20%的随机缺失与连续缺失两类场景，以补全值与真实值的偏差作为主要评价指标。初步结果显示：

• 短时随机缺失（单点至数分钟）场景下，KNN相似工况填充的误差较线性插值降低约18%，在高波动工况段优势更明显；
• 连续缺失超过30分钟时，自编码器方法表现更稳，但训练数据需求与推理耗时上升，需结合部署成本权衡。

下一步，实验室将把补全误差对下游任务（如状态预测、异常检测）的影响纳入评估，形成“缺失模式识别—补全方法选择—下游影响验证”的方法流程，并在合作工厂开展小范围验证，阶段性结论将持续整理发布。