Constraint-guided discrete diffusion for conditional hierarchical industrial graph generation

Industrial production systems must continuously adapt to changes in product mix, equipment degradation, and workforce availability. The ability to swiftly generate new production system layouts and process plans to respond to disruptions is essential. This work introduces a two stage graph synthesis framework using discrete denoising diffusion: the first stage learns plant level topologies via graph neural networks and the second stage generates station level Petri nets conditioned on node types capturing the detailed behavior for each station. The framework trains two discrete diffusion models: one learns the global topology, and the other, conditioned on station type, learns internal Petri net representations for individual stations. A projector is defined to enforce a set of structural and dynamic constraints at every denoising step. The method delivers 100% validity under three progressively constrained inventory scenarios and preserves 99% uniqueness according to the Weisfeiler–Lehman hash. A complete hierarchical layout can be generated in approximately 2 seconds, and simulation based evaluations confirm the operational diversity of the generated designs.

I sistemi produttivi industriali devono adattarsi continuamente alle variazioni nel mix di prodotti, al degrado delle apparecchiature e alla disponibilità della forza lavoro. La capacità di generare rapidamente nuovi layout d’impianto e piani di processo per rispondere alle interruzioni è quindi cruciale. Questo lavoro presenta un framework di sintesi grafica a due stadi basato su diffusione discreta denoising: il primo stadio apprende la topologia a livello di stabilimento tramite reti neurali su grafi, mentre il secondo genera reti di Petri a livello di stazione, condizionate dal tipo di nodo, per catturare il comportamento dettagliato di ciascuna stazione. Il framework addestra due modelli di diffusione discreta: uno che apprende la topologia globale e un altro che, condizionato sul tipo di stazione, apprende le rappresentazioni interne delle reti di Petri. Un proiettore impone, a ogni passo di denoising, vincoli strutturali e dinamici specifici. Il metodo garantisce il 100% di validità in tre scenari di inventario via via più restrittivi e preserva il 99% di unicità secondo l’hash di Weisfeiler–Lehman. Un layout gerarchico completo viene generato in circa 2 secondi e le valutazioni basate su simulazione confermano l’elevata diversità operativa dei progetti prodotti.