SSSDScientific and Social Sustainable Development3066-89643066-8980Art and Technology10.61369/SSSD.2026050014Article电子类行业时序数据清洗修正与智能模型应用技术报告https://artdesignp.com/journal/SSSD/2/5/10.61369/SSSD.2026050014张彦俊2026252026-03-14本报告聚焦电子类行业时序数据清洗与修正核心技术，分析了主流缺陷检测模型与智能排程模型。电子类时序数据包括设备传感器、生产日志和质量监测数据，存在缺失值、异常值等质量问题。报告介绍了缺失值处理、异常值检测和噪声过滤等清洗与修正技术及应用案例。在缺陷检测方面，列举了 SAIGE VISION 等典型应用案例，分析了卷积神经网络和生成对抗网络模型的原理、应用、优势与局限。智能排程部分给出了共进电子等应用案例，阐述了深度强化学习和混合整数规划 + 启发式算法模型的原理与应用场景。同时指出行业面临数据质量、模型泛化和排程约束等挑战，提出数据治理、模型创新和排程优化等技术演进方向，强调数据安全和模型验证标准。最后得出行业技术转型趋势，建议企业采用相应实施策略，未来智能模型将向轻量化、自进化方向发展。电子类行业,时序数据清洗,缺陷检测模型,智能排程模型

[1] 吴铭臻. 工业大数据驱动定制生产优化的方法及其应用[D]. 华南理工大学,2022.[2] 沈沛, 毛海涛, 胡文林, 等. 面向时序的相似重复数据清洗算法优化[J]. 计算机时代, 2022(009):000.DOI:10.16644/j.cnki.cn33-1094/tp.2022.09.015.[3] 韩浩宇. 面向工业生产过程的多元时序数据预测及异常检测方法研究[D]. 西安电子科技大学,2022.[4] 李晨阳. 基于相关性的时序数据清洗方法研究[D]. 沈阳航空航天大学,2022.[5] 刘利钊, 刘健, 李俊祎, 等. 面向复杂智能制造的多维时空建模方法与应用[J]. 2022(1).DOI:10.11936/bjutxb2017090038.[6] 李慧. 基于数据标准化的新能源数据治理与应用研究[J]. 计算机应用文摘, 2025, 41(16):235-238.[7] 李少春. 通信网平台运维中人工智能提升数据管理效能路径[J]. 中国宽带, 2025, 21(3):134-136.[8] 王容. 基于时序数据的电梯数据清洗方法研究[J]. 机械制造与自动化, 2024, 53(3):151-154.[9] 冉光炯, 赵霄, 吴宇铖, 等. 基于物联网的机电设备状态管理方法, 系统及存储介质:CN202411958750.X[P].CN119377586A[2026-01-06].[10] 郑魁, 丁维龙, 郑魁龙. 一种时序预测方法驱动的光伏组件动态清洗周期决策方法:CN202510661868.4[P].CN120542653A[2026-01-06].