FactoryNet: A Large-Scale Dataset toward Industrial Time-Series Foundation Models

会议: ICML 2026
arXiv: 2605.09081
代码: https://github.com/Forgis-Labs/FactoryNet
领域: 时序异常检测 / 工业时序基础模型 / 数据集
关键词: 工业时序, 异常检测, 跨实体迁移, S-E-F-C 模式, 预测维护

一句话总结

FactoryNet 是首个统一控制环结构的工业时序大规模数据集——5100 万数据点 / 2.3 万端到端任务执行（1.33 万真实 + 9800 仿真）跨 6 个机器实体，按 Setpoint-Effort-Feedback-Context (S-E-F-C) 控制论分类对齐所有信号；27 种标注异常类型 + 健康基线 + 反事实对，使零样本跨实体迁移和参数高效异常检测成为可能。

研究背景与动机

领域现状：制造业占全球 GDP 约 15%，依赖复杂机器持续运转；视觉/语言领域基础模型已经革命性，但工业时序基础模型不存在——industrial AI 仍是单机定制部署。

现有痛点：（1）现有异常检测/预测数据集（NASA C-MAPSS、CWRU、PHM 2010 等）只记录传感器结果，不分离"命令意图"和"测量响应"；对 actuated system 学迁移动力学，必须看完整控制环（目标轨迹 → 执行 effort → 物理状态）；（2）数据集规模小且单机器——voraus-AD 2122 episodes、AURSAD 2045 episodes，都不足以训 foundation model；（3）异构数据集没有统一 schema，跨机器对齐困难；（4）通用时序异常检测 benchmark（SKAB / MetroPT / TSB-AD 等）记录整体系统状态，没有命令-测量分解。

核心矛盾：要训工业基础模型需要（a）规模大（百万级以上数据点）；（b）跨实体（多种机器）；（c）有控制环结构（区分意图和结果）；现有数据集没有任何一个同时满足三者。

本文目标：（1）发布首个统一 schema 的多实体大规模工业时序数据集；（2）提出 S-E-F-C 控制论 schema 让任意 actuated 系统映射到共同表征；（3）证明零样本跨实体迁移和高效异常检测的可行性；（4）作为 growing dataset 推动社区进展。

切入角度：从控制理论出发——把信号按 Setpoint（命令意图）、Effort（执行）、Feedback（测量响应）、Context（边界条件）四类分，这是 IEC 81346 functional classification 的自然延伸；S-E-F-C 让"sim-to-real mismatch = forward-model error under matched inputs" 这样的对比分析直接可做。

核心 idea：S-E-F-C schema 把所有 actuated systems 统一编码 → 跨实体迁移 + 异常检测变成 schema-aligned 操作 → 训工业基础模型有了"图像 ImageNet"级别的预训练语料。

方法详解

整体框架

数据集组成： - 51M 数据点 / 23k 端到端任务执行 - 13.3k 真实（实验室录制）+ 9.8k 仿真（Isaac Sim） - 6 个机器实体（含 UR3e、协作机器人、CNC 等） - 27 种标注异常类型 + 健康基线 + 反事实对 - 3 个 manipulation tasks（不同 setup）

每条信号按 S-E-F-C 4 类映射： - Setpoint：命令位置/速度/扭矩/... - Effort：电流/扭矩输出/PWM - Feedback：编码器位置/加速度/振动/温度 - Context：工件信息/环境/load

仿真-真实配对让 sim2real gap 可量化（同 input 下的 forward model error）。

关键设计

1. S-E-F-C 控制论 Schema:

   • 功能：把任意 actuated system 的信号映射到共同 4 类表征
   • 核心思路：参考 IEC 81346 functional classification，分 Setpoint（intent）、Effort（actuation）、Feedback（measurement）、Context（boundary）；对每个机器实体的 raw 信号通道做 schema-aware 注释；模型输入是这 4 类组合而非 raw channels
   • 设计动机：以前数据集只给 raw channel 编号或机器特定命名，跨机器不可对齐；S-E-F-C 抽出物理意义层让 UR3e 和 CNC 的信号在同一表征空间——这是基础模型 prerequisite

2. 多实体 + 仿真配对:

   • 功能：用真实数据保 fidelity、用仿真补 scale，仿真-真实配对让 sim2real gap 可分析
   • 核心思路：13.3k 真实 + 9.8k 仿真在同一 schema 下，相同任务执行的 (real, sim) 对齐；模型可学到"在 setpoint+context 给定时 effort 和 feedback 该是什么"，sim-real 差异 = forward-model error
   • 设计动机：纯真实数据 scale 不够（百级），纯仿真有 sim2real gap；配对让二者互补——仿真补 coverage、真实校准、配对量化 gap

3. 27 异常类型 + 反事实对:

   • 功能：丰富的标注覆盖工业异常 spectrum，反事实对支持因果学习
   • 核心思路：从经典机械故障（bearing wear、misalignment、unbalance）到电气（power supply fault）、控制（PID 失稳）、过程（tool wear、collision）；每个异常都有配对的健康 baseline，let model learn "什么是 healthy 该有的样子"
   • 设计动机：以前数据集多是 single-fault-type；27 类让模型学到"通用异常 detector"；反事实对支持 contrastive learning 和 causal attribution

实验关键数据

跨数据集规模对比

数据集	年份	机器类型	Episodes	Setpoint?	Effort?
CWRU	2000	Bearings	480	✗	✗
PHM 2010	2010	CNC	315	Partial	✓
AURSAD	2021	UR3e robot	2,045	✓	✓
voraus-AD	2023	Collaborative robot	2,122	✓	✓
FactoryNet	2026	Multi-machine	23,000	✓ Required	✓ Required

FactoryNet 比已有最大（voraus-AD）大 10×，唯一强制 setpoint + effort 都有。

跨实体迁移（24 schema-aligned signals）

源 → 目标	bias-aware accuracy	高维基线（all channels）
UR3e → CNC	0.84	0.71 (差)
UR3e → Collaborative	0.81	0.74
CNC → UR3e	0.79	0.65
Real → Sim (forward model)	0.92	–

24 个 schema-aligned 信号比 130+ raw channels（高维基线）跨实体表现更好——证明 S-E-F-C 抽象的价值。

异常检测（参数高效）

模型	参数量	F1（27 异常类）
Anomaly-Transformer (high-dim)	7M	0.71
TimesFM 预训练 + 微调	200M	0.74
Chronos	60M	0.73
FactoryNet pretrained + 24 signals	2M	0.76

2M 参数模型超 200M 通用时序基础模型——schema 对齐让 effective signal 远少但更精准。

关键发现

• S-E-F-C schema 提升迁移：跨实体迁移 24-channel schema 比 130+ raw channel 高 10+ 点
• 小模型 + 好 schema > 大模型 + raw：2M 参数胜 200M 通用时序模型
• 真实 + 仿真配对：sim2real gap 可读为 forward-model error，可定量诊断
• 27 异常类覆盖广：足以训通用异常 detector，不只是 single-fault classifier

亮点与洞察

• 首个真正"控制环结构"的工业时序数据集：以前所有数据集都丢了命令-测量分解，本文从控制理论第一性原理重新组织——是范式级贡献
• S-E-F-C 是 Image 的 RGB 那样的统一表征：让"工业 ImageNet" 成为可能；不同机器、不同任务都能映射进同一框架学跨任务表征
• 真实 + 仿真配对的 sim2real 工具化：通常 sim2real 是 mystery，本文 schema-aligned 配对让 sim2real gap 直接可测可分析
• 2M 参数胜 200M：证明"对的归纳偏置 + 干净 schema" 比"暴力 scale" 更有效——对工业部署（边缘设备资源受限）意义重大

局限性 / 可改进方向

• 6 个实体仍偏少，多 modality（视觉 + 时序融合）的工业基础模型 schema 未探索
• 27 异常类是手工标注，未来要 scale 需自动异常生成
• S-E-F-C 假设所有信号都能干净分类，但实际信号有时跨类（如 hybrid effort-feedback）
• 仿真用 Isaac Sim，仿真 fidelity 限制了 sim2real 的天花板
• 缺少长时间运转（months）数据，对预测维护（gradual degradation）支持有限

相关工作与启发

• vs CWRU / PHM 2010 / AURSAD / voraus-AD：那些 single-machine / single-fault；FactoryNet 多实体 + 多异常 + 强制控制环结构
• vs Open X-Embodiment / DROID：那些机器人跨实体 policy；FactoryNet 工业 actuated system 跨实体异常检测
• vs Chronos / TimesFM / Moirai：那些通用时序基础模型；FactoryNet 是工业垂直的同等地位
• 启发：所有"actuated system + 异构机器"领域（汽车、航空、化工、能源）都可借鉴 S-E-F-C 风格的 schema-aligned dataset 设计；这套思路也适用 robotics policy learning

评分

• 新颖性: ⭐⭐⭐⭐⭐ 首个强制控制环结构的多实体工业时序数据集；S-E-F-C schema 是真正贡献
• 实验充分度: ⭐⭐⭐⭐ 跨实体迁移 + 27 异常检测 + 模型规模对比；缺少长时间 degradation 实验
• 写作质量: ⭐⭐⭐⭐ 控制论 framing 清晰，Table 1 数据集对比一目了然
• 价值: ⭐⭐⭐⭐⭐ 制造业 15% GDP 的应用领域；首个"工业 ImageNet"为后续基础模型铺路，影响深远

相关论文

• [ICLR 2026] FeDaL: Federated Dataset Learning for General Time Series Foundation Models
• [ICML 2026] OLIVIA: Harmonizing Time Series Foundation Models with Power Spectral Density
• [NeurIPS 2025] Multi-Scale Finetuning for Encoder-based Time Series Foundation Models
• [ICML 2026] Generalizing Multi-scale Time-Series Modeling with a Single Operator
• [NeurIPS 2025] CausalDynamics: A Large-Scale Benchmark for Structural Discovery of Dynamical Causal Models