工业时序数据缺失智能填补方法实验进展

在工业数据分析场景中，传感器断线、采样丢包与人工漏录导致时序数据普遍存在缺失，直接影响后续建模与预警的可靠性。数据分析实验室近期围绕缺失值智能填补开展阶段性实验，重点比较传统插值方法与深度序列模型在真实产线数据上的表现。实验基于某装配车间的多传感器时序数据集，构造3%~20%的随机缺失与连续缺失两类场景，评估填补精度及其对下游任务的影响。要点如下：
· 在连续缺失场景下，基于注意力机制的序列填补模型相比线性插值，RMSE平均降低约31%，对温度、压力等周期性变量效果更稳定；
· 将填补结果用于后续异常检测任务时，误报率下降约18%，验证了先补后析流程的实际价值。
下一步计划：一是引入工况切换标签作为条件信息，提升工况频繁变化场景下的填补鲁棒性；二是压缩模型推理开销，探索在边缘网关上轻量化部署的可行性。实验室将持续更新实验数据与方法细节。