一句话结论
生成式时空模型可将高温测试设施中失效传感器的重构误差降低一半以上，显著提升安全关键数字孪生的状态感知可靠性。
关键要点
- 在俄勒冈州大学高温测试设施（HTTF）实验中，图神经网络（GNN）与门控循环单元（GRU）结合的变分自编码器（VAE）取得最低误差，平均绝对误差（MAE）为 11.73°C，均方根误差（RMSE）为 20.54°C，决定系数（R²）达 0.98。
- 与岭回归（Ridge Regression）基线相比，扩散模型（DM）、VAE 和生成对抗网络（GAN）三种生成式方法均将 RMSE 降低超过 50%，显著优于确定性模型。
- 扩散模型在已知可用传感器数量从 91 个减少至 45 个的极限稀疏条件下，仍维持 0.94 的 R²，展现出对传感器丢失的强鲁棒性。
- 跨实验迁移场景中，采用分区上下文条件化（section-context conditioning）的扩散模型在 PG-27 加压传导冷却数据上训练后，于 PG-29 上实现 RMSE 42.84°C、R² 0.91 的迁移重构效果，为异构工况下的数字孪生复用提供了可行路径。
背景与事实
该研究面向安全关键数字孪生（DTs）中的部分可观测性难题。在高温与辐射环境下，热电偶（Thermocouples）等传感器可能发生漂移、故障或间歇性失效，导致数字孪生系统无法获取完整的空间温度场信息。俄勒冈州大学的高温测试设施（HTTF）为此类极端环境提供了真实实验场景，其测试序列包括 PG-27 加压传导冷却（PCC）与 PG-29 失压传导冷却（DCC）等工况。研究团队在此背景下构建了稀疏传感器重构框架，系统评估了六类算法：三类条件生成式模型（扩散模型 DM、变分自编码器 VAE、生成对抗网络 GAN）、两个确定性循环神经网络（RNN）模型以及岭回归基线。
在 PG-29 DCC 工况的实验内重构任务中，各模型均采用图结构空间编码与门控循环单元（GRU）的组合架构以捕捉时空动态。评估结果显示，GNN-GRU VAE 综合性能最优，MAE 11.73°C、RMSE 20.54°C、R² 0.98；确定性 GNN-GRU 的 RMSE 为 25.26°C，而未使用图编码的纯 GRU 模型 RMSE 升至 35.22°C，这一梯度差异证实了显式空间建模对重构精度的关键贡献。所有生成式模型相较岭回归的 RMSE 降幅均超过 50%。在传感器可用性压力测试中，当可用传感器从 91 个降至 45 个时，扩散模型仍保持 R² 0.94，说明其生成式先验在极端稀疏条件下仍能有效约束重构分布。
跨实验迁移评估进一步验证了方法的泛化能力。模型在 PG-27 PCC 数据集上训练后，通过分区上下文条件化机制直接应用于 PG-29 DCC 场景，无需目标域微调。在此设定下，分区上下文扩散模型取得最优迁移指标：RMSE 42.84°C、R² 0.91，表明生成式模型结合工况上下文编码可有效跨越不同测试序列间的分布偏移。该工作于 2026 年 8 月 22 日提交至 arXiv 计算机科学领域（cs.LG），聚焦机器学习中生成模型在工业数字孪生中的落地验证。
影响分析
对于从事工业数字孪生、过程安全监测与能源装备运维的中文开发者与从业者，该研究提供了可直接借鉴的建模范式与量化基准。其一，图神经网络与循环单元的混合架构为多传感器空间依赖建模提供了成熟实现路径，开发者可将其嵌入现有状态估计或故障诊断流水线，显著提升传感器失效时的系统韧性。其二，生成式模型（尤其是扩散模型）在稀疏观测下的鲁棒性数据，为采用深度生成模型替代传统确定性插值或降阶模型提供了实证支撑，降低了在安全关键场景引入生成式技术的决策风险。其三，跨实验迁移结果表明，结合工况上下文条件化后，单次训练即可覆盖多个相似测试序列，可大幅降低多工况数字孪生的训练成本与数据标注需求。需要指出的是，上述判断基于本研究在单一设施、特定温度场场景的验证结果，推广至其他工业领域时仍需结合具体传感器布局、工况复杂度与失效模式进行再验证。
适用边界
本研究的结论主要适用于高温、高压、辐射等极端环境下热电偶类温度传感器的稀疏场重构场景，且测试序列具备较规则的分区结构与可辨识的工况上下文。对于非温度物理量（如压力、流量、化学成分）的多变量场重构，或传感器布局高度不规则、空间拓扑复杂难以显式建图的场景，GNN 空间编码的适用性需重新评估。此外，跨实验迁移依赖源域与目标域在分区结构、边界条件与主要热力学过程上的相似性；若两工况的物理机理差异过大（如相变、强对流主导），分区上下文条件化的迁移效果可能显著衰减。扩散模型在 45 个已知传感器下仍保持较高 R²，但若可用传感器进一步降至更低比例（如低于 30%），生成式先验是否仍能维持精度尚未在本文中验证，该结论不可线性外推。
孤本观察
从算法选型看，确定性模型（GNN-GRU、纯 GRU）与生成式模型间的 RMSE 差距（约 15–35°C）提示，在传感器部分失效场景中，捕捉多模态分布的生成式架构相比点估计方法具有结构性优势；而扩散模型在跨实验迁移中优于 VAE 与 GAN 的结果，则暗示其时间步去噪机制对工况偏移的容忍度更高，这一观察值得后续在更大规模工业数据集上复现验证。
常见问题
实验中哪种模型组合取得了最低的重构误差？
图神经网络（GNN）与门控循环单元（GRU）结合的变分自编码器（VAE），其平均绝对误差（MAE）为11.73°C，均方根误差（RMSE）为20.54°C，决定系数（R²）达0.98。
扩散模型在传感器数量减少时表现如何？
在已知可用传感器从91个减少至45个的极限稀疏条件下，扩散模型仍维持0.94的决定系数（R²），展现出对传感器丢失的强鲁棒性。
跨实验迁移时，分区上下文条件化的扩散模型效果如何？
该模型在PG-27数据上训练后，直接应用于PG-29场景无需微调，实现了42.84°C的均方根误差（RMSE）和0.91的决定系数（R²）。
生成式模型相比岭回归基线在误差上有何改善？
扩散模型、变分自编码器和生成对抗网络三种生成式方法均将均方根误差（RMSE）降低超过50%，显著优于岭回归等确定性模型。
本研究结论适用的主要场景及限制是什么？
主要适用于高温高压辐射下热电偶类温度传感器且具备规则分区结构的场景；若可用传感器低于30%或非温度物理量，结论未验证且需重新评估。
来源：arXiv cs.LG