4. 仿真数据预处理

仿真数据往往来自多个求解器、多个工况和多个采样通道，原始数据在进入性能预测模型之前，通常同时存在缺失、异常、量纲不一致、时间轴错位、采样率不统一和类别分布失衡等问题。预处理不是简单的“清洗”，而是把物理仿真结果转换成模型可学习、可比较、可复现的数值张量的过程。本节围绕六个关键环节展开，并给出可操作的判断依据与示例参数。

一、缺失值处理：先判断缺失机制，再决定填补策略

仿真数据缺失常见于三种情况：求解器未收敛导致整段结果为空；后处理导出时部分监测点未写入；多工况拼接时某些参数未采集。处理前应先区分缺失机制：完全随机缺失（如导出中断）、随机缺失（与工况相关但可观测）、非随机缺失（与缺失值本身相关，如高应力区计算失败）。

对于时序仿真信号，若缺失比例低于 5% 且为孤立点，可采用线性插值或三次样条插值；若缺失段较长但物理量变化平缓，可用前向填充加滑动均值平滑；若缺失与工况强相关，应把“是否缺失”作为指示特征加入模型，而不是强行填补。对于整行缺失的样本，若关键输入或输出缺失超过 30%，建议直接剔除并记录剔除原因，避免引入偏差。

二、异常值检测：区分物理异常与数值异常

仿真数据中的异常值有两类：一类是物理上合理的极端工况响应，如共振点附近应力突增；另一类是数值异常，如求解器发散产生的 1e12 量级伪值、负的绝对温度、超出材料屈服极限数倍的应力。前者应保留，后者必须处理。

推荐组合使用三种方法：基于统计的 Z-score 或 IQR 用于快速筛查；基于物理边界的规则用于硬约束过滤；基于密度的 LOF 或孤立森林用于多维联合异常检测。对于时序信号，还可计算滑动窗口内的均值和方差，若某窗口方差突增且持续多个步长，则标记为可疑段。

处理方式不宜一律删除。对数值异常，可先置为缺失再按缺失值策略处理；对物理极端值，应保留并检查是否因网格畸变或时间步过大导致，必要时回到仿真阶段修正。异常值检测的结果应记录为独立的质量标签，供后续模型训练时加权或分层使用。

三、量纲统一与数据对齐

多源仿真数据常出现单位混用：应力用 MPa 与 Pa、温度用 ℃ 与 K、转速用 rpm 与 rad/s。量纲统一应在数据进入特征工程之前完成，并建立单位字典，记录每个字段的原始单位、目标单位和换算因子。例如：1 MPa = 1e6 Pa，1 rpm = 2π/60 rad/s，摄氏度转开尔文需加 273.15。

数据对齐包括时间对齐和空间对齐。时间对齐要求不同采样通道的时间戳对齐到同一时间基准；空间对齐要求不同网格或不同监测点的数据映射到同一物理位置。对于仿真结果，常见做法是以主时间轴为基准，对其他通道做最近邻或线性重采样。若两个通道存在已知的物理延迟，应先做时移补偿再对齐。

四、时序重采样：降采样与升采样的取舍

仿真时间步长通常远小于模型所需的时间分辨率。若直接使用原始高频数据，会导致样本量过大、训练缓慢且相邻样本高度相关。降采样时，应先做抗混叠低通滤波，再按目标频率抽取，避免高频噪声折叠到低频段。例如原始采样 1000 Hz，目标 100 Hz，可先设计截止频率 40 Hz 的巴特沃斯低通滤波器，再每 10 个点取一个均值或中位数。

升采样则用于不同通道采样率不一致的情况。若某通道为 50 Hz，主时间轴为 200 Hz，可采用线性插值或样条插值补齐。对于冲击类信号，升采样会平滑峰值，此时应改用零阶保持或最近邻插值，并在特征中保留峰值持续时间和上升沿斜率，以补偿峰值幅度的损失。

五、样本平衡策略：让模型不偏向多数工况

仿真数据常出现工况分布不均：正常工况样本多，故障或极端工况样本少。若直接训练，模型会倾向于预测多数类。处理策略包括：对少数类过采样（SMOTE 或简单复制）、对多数类欠采样、在损失函数中给少数类更高权重、以及按工况分层抽样保证每折验证集分布一致。

对于回归任务，样本平衡体现为目标值分布均衡。可按目标值分箱，检查各箱样本数，若某箱样本过少，可通过补充仿真或对相邻箱样本做轻微扰动生成合成样本。扰动幅度应控制在物理合理范围内，例如应力扰动不超过 2%，温度扰动不超过 5 K。

六、可复用的预处理检查表

完成上述六步后，数据才具备进入特征工程和模型训练的基本条件。实际项目中，预处理往往需要迭代：先跑一版基线模型，观察误差分布，再回到预处理阶段调整缺失填补方式、异常阈值或重采样频率。把预处理当作可配置、可验证的流水线，而不是一次性清洗，才能让仿真数据真正驱动可靠的性能预测。