安全关键数字孪生的全场传感器状态的生成重建

arXiv:2611.08499v1 公告类型：新 摘要：不完整传感器场的准确重建对于安全关键数字孪生 (DT) 的状态感知至关重要。高温和辐射环境中的热电偶可能会漂移、失效或间歇性不可用，从而导致部分可观测性。本研究为俄勒冈州立大学高温测试设施 (HTTF) 开发了一个稀疏传感器重建框架，并评估了实验内和实验间协议下的六种方法：三种条件生成模型（即扩散模型 [DM]、变分自动编码器 [VAE] 和生成对抗网络 [GAN]）、两种确定性循环神经网络模型和岭回归。对于 PG{-}29 减压传导冷却 (DCC) 测试中的实验内重建，模型将基于图的空间编码与门控循环单元相结合。图神经网络 (GNN)-门控循环单元 (GRU) VAE 实现了最低的误差，平均绝对误差 (MAE) 为 $11.73,^\circ$C，均方根误差 (RMSE) 为 $20.54,^\circ$C，$R^2$ 为 0.98。确定性 GNN--GRU 和普通 GRU 分别获得 $25.26,^\circ$C 和 $35.22,^\circ$C 的 RMSE 值，证明了空间建模的好处。与岭回归相比，所有三种生成模型都将 RMSE 降低了一半以上。当已知传感器从 91 减少到 45 时，DM 保持 $R^2$ 为 0.94。对于实验间重建，使用部分上下文条件在 PG{-}29 上评估在 PG{-}27 加压传导冷却 (PCC) 上训练的模型。部分上下文 DM 实现了最佳传输性能，RMSE 为 $42.84,^\circ$C，$R^2$ 为 0.91。这些结果证明了时空生成模型在安全关键型 DT 应用中缺失传感器重建的价值。