工业时序数据AI清洗实验：缺失补齐与异常标注

在数据智能方向，我们针对工厂时序数据常见的多源、缺失、毛刺与工况漂移，做了一组实验。目标不是追求单一模型指标，而是验证一套可复用的数据准备流程：按设备与测点建立统一时间轴，先用规则识别停机、检修与量程越界，再用轻量插补和异常标注筛出可训练样本。

试点选取注塑机温度压力、空压站电耗、机床主轴电流三类数据，共约40个测点、4个月历史数据。初步进展：缺失率从6.8%降至1.2%以下，人工复核量减少约一半；跨设备对齐后，异常片段召回约0.86，但误报仍集中在换型与计划停机段。

下一步计划：把工况标签接入特征层，并与预测性维护、能耗分析共用一套数据契约，减少重复清洗与口径分歧。