Cet article propose STDiff, une nouvelle méthode d'apprentissage profond pour la gestion des valeurs manquantes dans les systèmes industriels. Contrairement aux méthodes existantes qui se concentrent sur la complétion de motifs dans des fenêtres temporelles fixes, STDiff apprend l'évolution de l'état du système pour générer progressivement les valeurs manquantes. Cette approche est adaptée aux systèmes industriels qui subissent des changements dynamiques, des anomalies et des données manquantes à long terme dues à des actions de contrôle. STDiff utilise un modèle de diffusion de débruitage conditionnel avec biais causal pour générer les valeurs manquantes en fonction des états récemment connus et des entrées de contrôle ou environnementales pertinentes. Les résultats expérimentaux démontrent que STDiff atteint des taux d'erreur inférieurs aux méthodes existantes sur les ensembles de données de traitement des eaux usées publiques et les ensembles de données industrielles réelles, en particulier pour les données manquantes à long terme. Alors que les modèles basés sur des fenêtres existants aplatissent ou lissent excessivement les données, STDiff génère des séries chronologiques dynamiquement valides.
