邓子畏，唐朝晖，朱红求，赵于前,2

(1.中南大学自动化学院，湖南长沙，410083；2.湖南省高强度紧固件智能制造工程技术研究中心，湖南常德，415701)

近年来，随着物联网等信息技术的发展，在工业过程中积累了大量的数据，充分利用这些工业大数据对推动生产过程智能化具有重要意义[1−6]。然而，由于实际应用中采集的大数据中不可避免地存在缺失值，严重影响了大数据分析、建模效果，因此，对缺失数据进行治理对于准确地建立数据模型尤为必要。以混凝土泵车为例，其运行过程中采集的数据由于受数据采集过程中传感器异常以及数据传输过程中数据丢失等影响，造成数据不完备问题，影响了远程监控、生产管理分析以及基于数据的故障诊断等应用效果，并且混凝土泵车的数据通常缺失比例偏大，进一步给大数据的应用带来了极大困难，因此，研究缺失数据的填充方法尤为必要[7]。缺失数据恢复是数据分析研究的一个热点问题，也是基于数据的分析处理方法的基础。目前，人们对有关缺失值处理方法进行了大量研究，针对不同的应用场景，提出了一系列解决方法[8−9]，如位数/众数/均值插补法、基于分层模型的缺失数据插补方法[10]、贝叶斯网络和时间序列法等[11]。杨巧巧等[12]将SNM 算法用于相似重复记录数据的清洗。蒋辉等[11]在基于朴素贝叶斯方法训练初始数据集的基础上，对每个可能缺失的变量构建相应的单变量预测估计模型来填充缺失值。……