Este artículo propone STDiff, un novedoso método de aprendizaje profundo para la gestión de valores faltantes en sistemas industriales. A diferencia de los métodos existentes que se centran en la finalización de patrones dentro de ventanas de tiempo fijas, STDiff aprende la evolución del estado del sistema para generar gradualmente valores faltantes. Este enfoque es adecuado para sistemas industriales que experimentan cambios dinámicos, anomalías y valores faltantes a largo plazo debido a acciones de control. STDiff utiliza un modelo de difusión de eliminación de ruido condicional con sesgo causal para generar valores faltantes basados en estados conocidos recientemente y entradas de control o ambientales relevantes. Los resultados experimentales demuestran que STDiff logra tasas de error más bajas que los métodos existentes en conjuntos de datos públicos de tratamiento de aguas residuales y conjuntos de datos industriales del mundo real, en particular para datos faltantes a largo plazo. Mientras que los modelos existentes basados en ventanas aplanan o suavizan excesivamente los datos, STDiff genera series de tiempo dinámicamente válidas.
