Physics-informed Diffusion Generative Model for Time-Series Data Synthesis in Dynamic Systems

📄 arXiv: 2608.10941v1 📥 PDF

作者: Haiteng Wang, Yunfei Zhu, Tao Wang, Yikang Li, Jiabao Dong, Xiaoge Zhang, Lei Ren

分类: cs.LG

发布日期: 2026-08-11

备注: 27 pages; 5 main figures and 4 extended data figures

💡 一句话要点

提出PhysDGM以解决动态系统时间序列数据合成问题

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 时间序列合成 扩散生成模型 物理规律嵌入 动态系统 故障诊断 健康监测 数据稀缺

📋 核心要点

  1. 现有方法在动态系统中面临数据收集困难，尤其是在高温高压等恶劣环境下，限制了工业时间序列信号的获取。
  2. 本文提出PhysDGM，通过在生成模型的每个反向扩散步骤中嵌入物理规律，确保生成数据与物理规律一致。
  3. 实验结果表明，PhysDGM生成的合成数据在多个下游任务中显著提升性能，且所需训练数据量大幅减少。

📝 摘要（中文）

工业时间序列信号，如涡轮温度和航空发动机的转速，对于监测复杂动态系统的健康和运行状态至关重要。然而，由于高温高压等恶劣环境以及实验测试的高成本，数据收集受到限制。为了解决这一挑战，本文提出了PhysDGM，一种逐步嵌入物理规律的扩散生成模型，用于合成与动态系统物理规律一致的时间序列数据。PhysDGM在生成过程的每个反向扩散步骤中直接嵌入物理规律，确保轨迹级别的物理一致性。通过PhysDGM构建的大规模AI合成数据集（440万样本，规模扩大20倍）在34个数据集上展示了强大的保真度。合成数据的引入使得下游任务的性能显著提升，剩余使用寿命预测提高48%，健康指标估计提高15%，健康状态评估提高22%，故障诊断提高20%。此外，该方法所需的训练数据比现有方法少10-20倍，显著降低了动态系统中数据收集的高成本。

🔬 方法详解

问题定义：本文旨在解决动态系统中时间序列数据合成的挑战，现有方法往往无法在高成本和恶劣环境下有效收集数据，导致数据稀缺。

核心思路：PhysDGM通过在每个反向扩散步骤中直接嵌入物理规律，确保生成的数据在轨迹级别上与物理规律一致，从而提高数据的真实性和可靠性。

技术框架：PhysDGM的整体架构包括数据预处理、物理规律嵌入、反向扩散生成和后处理四个主要模块。数据预处理阶段负责收集和整理原始数据，物理规律嵌入模块将物理模型与生成过程结合，反向扩散生成模块则负责生成合成数据，最后的后处理阶段确保数据格式和质量符合应用需求。

关键创新：PhysDGM的最大创新在于将物理规律嵌入到生成模型的每个步骤，而不仅仅是在最终输出阶段进行约束，这种设计显著提高了生成数据的物理一致性。

关键设计：在模型设计中，采用了特定的损失函数来平衡物理一致性与生成数据的多样性，同时使用了深度神经网络结构来增强模型的表达能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，PhysDGM生成的合成数据在多个下游任务中表现优异，剩余使用寿命预测性能提升48%，健康指标估计提升15%，健康状态评估提升22%，故障诊断提升20%。此外，该方法所需的训练数据量比现有方法减少10-20倍，显著降低了数据收集成本。

🎯 应用场景

PhysDGM的研究成果在多个领域具有广泛的应用潜力，尤其是在航空发动机、化学过程和电池管理等动态系统中。通过生成物理一致的时间序列数据，能够有效支持故障诊断、健康监测和性能预测等任务，降低数据收集成本，提升系统的可靠性和安全性。未来，该方法还可扩展到其他数据稀缺的环境，推动物理引导的人工智能技术的发展。

📄 摘要（原文）

Industrial time-series signals, such as turbine temperature and rotational speed in aero-engines, are essential for monitoring the health and operational status of complex dynamical systems. However, collecting such data is often limited by harsh environments (e.g., high temperature and high pressure) and the high cost of experimental testing. To address this challenge, we introduce PhysDGM, a stepwise physics-embedded diffusion generative model for synthesizing time-series data that are consistent with the underlying physical laws of dynamical systems. PhysDGM embeds physical laws directly into each reverse diffusion step of the generative process, ensuring trajectory-level physical consistency, rather than enforcing constraints only at the final output. A large-scale AI-synthetic dataset (4.4 million samples, 20x scale-up) constructed by PhysDGM demonstrates strong fidelity across 34 datasets spanning turbofan engines, aero-engines, batteries, and chemical processes. After incorporating the synthetic data, the downstream task performance substantially surpassed that using real data alone by 48% for remaining useful life prediction, 15% for health indicator estimation, 22% for state-of-health assessment, and 20% for fault diagnosis. Moreover, it requires 10-20x less training data than existing approaches, substantially reducing the high cost of data collection in dynamical systems. We further demonstrate PhysDGM's potential in identifying early-stage faults in aero-engines by incorporating AI-synthesized data. In summary, PhysDGM provides a solid foundation for generating physically consistent industrial time-series, paving the way for expanding physics-guided AI into diverse data-scarce environments, including both industrial machinery and complex chemical reaction dynamics.