收录解读
这篇论文处理的是工业过程数字化里的基础问题：如何把化工装置、传感器数据、机理模型、数据驱动模型和数字孪生真正接成一个可持续维护的知识与执行底座，而不是只做一个局部预测模型或可视化面板。对化工和连续制造场景而言，真正的瓶颈通常不是再加一个 anomaly detector，而是物理装置、模型、通信和版本演化之间长期缺乏统一语义层。
论文的核心新意在于用 ontology 和 knowledge graph 作为工业数字化 backbone，并在其上承载 first-principles model、AI model 和 agent workflow。作者不仅定义了过程本体和 plant-to-twin 连接方式，还展示了从数据采集、安全通信、云端存储到模型接入、版本控制和异常检测执行的端到端实现，使 digital twin 不再只是静态镜像，而成为可执行、可组合的语义基础设施。
放在本仓库里，这篇工作的价值不在单一 anomaly detection 指标，而在它把工业过程 AI 的工作流组织方式说清楚了：`knowledge graph + ontology + model registry + workflow execution` 可以作为化工过程、连续制造和工业数字孪生的通用集成模式。相比大量 manufacturing digital twin 综述或 demo 论文，它更接近可以被后续系统复用的基础设施参考。
它仍然没有高到更上一级，因为验证范围主要集中在化工 pilot plant 和 anomaly-detection use case，跨行业普适性还需要更多落地证据；同时它改写的是工业数字化工作流，而不是更广 AI 领域的方法范式。因此正式收录为 `breakthrough` 合适，但还不到 `disruptive`。