工业多源时序数据对齐与缺失补全实验进展

工业现场中，传感器采样频率不一、网络中断造成的数据缺失与时间戳漂移，是制约数据智能模型落地的主要障碍。数据分析实验室近期围绕多源时序数据的对齐与缺失补全开展阶段性实验，选取某注塑车间的温度、压力、电流三类信号进行验证，对比基于注意力机制的插补模型与线性插值、KNN等传统方法。阶段性进展：

• 在10%随机缺失场景下，插补误差（MAE）较线性插值降低约31%；在超过5分钟的长段连续缺失场景下降低约18%，对真实断网工况适应性更好。
• 对齐模块将秒级与分钟级数据统一到10秒网格，级联特征使下游异常检测模型F1分数提升0.07。

下一步将在两个车间扩展验证，重点评估通信中断等真实缺失模式下的鲁棒性，并将方法沉淀为可复用的数据预处理流程与参数配置规范，为后续工艺参数与质量关联分析提供数据底座。