工业时序数据缺失补全方法实验对比

工业现场中，传感器掉线、网关重启等原因常导致时序数据缺失，直接影响后续建模质量。数据分析实验室近期针对缺失补全方法开展了一组对比实验：选取某车间温度、压力与周期类共 12 个传感器序列，缺失占比 3%~18%，分别测试线性插值、样条插值、KNN 补全与轻量级 LSTM 序列补全四类方法。初步结果显示：对短时随机缺失（少于 5 个采样点），线性插值与样条插值表现接近，平均相对误差均在 2% 以内；对连续缺失超过 30 分钟的片段，KNN 与 LSTM 在周期性强的温度序列上误差明显更低，但在工况频繁切换的压力序列上优势减弱。综合补全精度与边缘端算力开销，团队倾向于采用“短缺失用插值、长缺失按工况分桶后用 KNN”的混合策略。下一步，该策略将封装为通用数据预处理组件，在两个在建项目中开展 A/B 验证，并补充异常值与缺失叠加场景下的鲁棒性测试。