面向上海电气集团在能源装备与智能制造领域的实际需求，针对燃气轮机、锅炉、机床等核心设备在全生命周期内产生海量时序数据但存在数据缺失、预测困难等问题，有必要研究基于时序大模型的工业设备健康管理方法。本团队以时序大模型为基底，采用“预训练+微调”范式，分别针对燃气轮机多特征测点缺失数据重构、锅炉关键参数缺失值填充、机床能耗预测与异常监测三个典型工业场景，开发专用模型与系统，提升设备状态评估与智能运维能力。

本项目聚焦于构建统一工业时序大模型基座并完成场景化微调，具体目标如下：

(1) 燃气轮机：设计并实现基于改进时序模型架构的缺失数据重构模型，针对多变量、强耦合的时序数据，精准重构传感器故障导致的缺失测点数据，为设备状态评估提供完整数据基础。

(2) 锅炉设备：构建面向锅炉的工业时序大模型，实现对压力、温度等关键参数缺失值的端到端填充，确保数据链连续性，支撑稳定运行与能效优化。

(3) 机床设备：利用微调后的时序预测大模型对机床能耗进行高精度预测，并开发基于预测误差与滑动窗口投票的在线异常监测系统，实现能耗异常模式的实时识别与报警，为预防性维护提供决策支持。

（1）完成基于时序大模型的燃气轮机关键运行指标预测模型构建。通过基准数据集筛选、PCA降维与冻结微调策略，实现缺失数据高精度重构，交付模型代码与权重文件。

（2）完成基于时序建模的锅炉运行指标缺失值填充研究。融合Lasso、随机森林、互信息构建投票式特征选择机制，基于Autoformer迁移微调实现三种工业缺失模式下的有效填充，为锅炉稳定运行提供数据保障。

（3）完成基于时序大模型的机床能耗预测与异常监测系统开发。基于SEMPO模型实现多模型对比验证与参数高效微调，开发基于预测误差的在线异常监测模块，交付完整技术文档及评估报告。