工业时序数据缺失补全实验：三种方法对比

工业设备运行数据普遍存在缺失：网络抖动、传感器故障与计划停机都会造成时序断点，直接影响后续建模质量。数据分析实验室近期围绕缺失补全方法开展对比实验，选取合作工厂三个月的设备运行数据（温度、压力、电流等 12 个测点），人工构造 5%、10%、20% 三档随机缺失与连续缺失场景，对比线性插值、卡尔曼平滑与基于梯度提升树的模型补全三种方案。初步结果显示：短时随机缺失（1~3 个采样点）场景下，三种方法误差接近，MAPE 差距在 0.5 个百分点以内；连续缺失超过 10 个采样点时，线性插值误差明显上升，而梯度提升树方法借助相邻测点的关联变量，误差可控制在 3% 以内。将补全数据用于下游能耗建模时，模型补全带来的精度损失也最小。下一步计划：一是引入工况标签，验证换模、启停等状态切换对补全精度的影响；二是将三种方法封装为数据预处理组件，纳入实验室数据治理工具链，供后续项目直接复用。