Benchmarking Sensor-Fault Robustness in Time Series Forecasting¶
会议: NeurIPS 2026
arXiv: 2605.10822
代码: https://github.com/awindmann/SensorFault-Bench
领域: 时间序列
关键词: 传感器故障, 鲁棒性基准, 时间序列预测, 物理信息系统, 压力测试
一句话总结¶
提出了首个面向信息物理系统（CPS）时间序列预测的传感器故障鲁棒性评测基准 SensorFault-Bench，通过覆盖数值、时序与可用性三大故障家族的 8 种标准化场景与三元度量协议，揭示了名义误差领先模型在故障下的严重性能劣化及基础模型的适应性局限。
研究背景与动机¶
在信息物理系统（CPS，如风电场、工业制造、电网与环境监测）中，时间序列预测模型高度依赖传感器数据流提供历史观测。然而，传感器磨损、通信中断、维护事件、采样时钟去同步以及预处理失误等硬件和数据采集层面的故障屡见不鲜。这些技术故障会直接破坏预测模型所输入的时间序列片段，而底层实际的物理过程与未来的预测真实目标并未改变。当前主流的时间序列预测研究与权威基准评测，普遍集中于干净、名义（nominal）条件下的留出测试集误差，过度追求在无扰动环境下的名义均方误差（clean MSE）刷榜，忽视了模型在面临现实感知链路退化时的鲁棒性表现。
这种评估脱节导致了严重的安全隐患与工程盲区：一个在名义测试集上表现顶尖的模型，在部署到工业现场面临常见传感器故障时可能会发生剧烈的性能跳水（degradation）。更致命的是，现存的鲁棒性评测工作通常局限于单一场景，如对抗性扰动、训练集异常污染、离线数据补全或特定领域的单一应力测试，缺乏一个基于真实工业与 CPS 传感器失效证据抽象而成的通用评测协议，既缺少统一的跨数据集严密故障生成逻辑，也未能有效解耦“相对鲁棒性”与“绝对预测误差”，且缺乏评估防御增强方法向未见故障迁移能力的无偏机制。
本文的目标是填补这一空白，提出首个面向 CPS 传感器故障的时间序列预测鲁棒性基准测试框架 SensorFault-Bench。核心 idea：将真实感知链路中反复出现的结构化故障抽象为标准化的 8 种评测场景，建立解耦相对性能衰减与绝对误差的三元度量协议，并引入不相交的故障迁移训练集以严格评估鲁棒性增强方法的真实泛化能力。
方法详解¶
整体框架¶
SensorFault-Bench 专注于输入侧预测期故障（input-side prediction-time faults）：仅扰动模型可观测的历史时间序列输入窗口 \(X\)，而保持未来真实的物理目标序列 \(Y\) 不变。整个基准测试流程包括四个核心阶段：标准化输入与通道定义、参数化传感器故障注入、统一严重度与通道规模采样、以及解耦式三元鲁棒性度量。此外，协议特别设计了一组与评测场景严格正交不相交的训练迁移故障集 \(\mathcal{P}_{\text{trans}}\)，供显式故障训练算法使用，杜绝了评测期的数据与故障类别泄漏。
%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
A["输入历史时间序列 X 与目标 Y<br/>基于训练集统计量标准化"] --> B["场景化故障注入<br/>数值/时序/可用性 8 种评测场景"]
B --> C["严重度与通道联合调制<br/>标量 s 连续采样与受损通道数规则"]
C --> D["解耦式三元鲁棒性度量<br/>最差衰减 / 名义误差 / 最差故障期误差"]
E["正交迁移故障集 P_trans<br/>7 种独立故障族供增强训练"] -.->|迁移训练输入| B
D --> F["鲁棒性与绝对误差综合剖析<br/>成对增量 delta 评测防御方法"]关键设计¶
1. 场景化故障注入：严格对齐现实 CPS 硬件失效机理的 8 种基准场景 针对以往压力测试脱离实际工业物理故障的痛点，SensorFault-Bench 依据工业传感器数据质量研究与故障分类学，构建了评测场景集 \(\mathcal{P}\)，涵盖三大类共 8 种标准化结构化故障： - 数值类故障（Value Faults）：改变传感器信号的振幅与测量偏移，包括漂移（Drift，全局累加常数偏移，模拟传感器老化）、衰减（Attenuation，信号振幅按比例乘性缩放，模拟传感器灵敏度损耗）、高斯噪声（Noise，叠加独立同分布高斯扰动，模拟测量电路信噪比恶化）和尖峰脉冲（Spike，单步突发大幅极端值，模拟量程溢出或解码错误）。 - 时序类故障（Timing Faults）：模拟数据采集、PLC 传输或网络同步延迟导致的时间戳失准与非等间隔采样，包括时序拉伸（TimeStretch）和时序压缩（TimeCompress）。方法首先通过端点截断的线性插值将连续序列重构到虚拟时间轴上，随后以速率因子 \(\rho\) 进行变速遍历并重映射回离散网格，其重映射形式为： $\(X'_{a+i-1,j} = \operatorname{Interp}\left((X_{1,j},\dots,X_{n,j});\, a-1+\frac{i}{\rho}\right)\)$ - 可用性类故障（Availability Faults）：模拟通信断开或传感器死锁导致的信息丢失，包括单传感器卡滞死锁（StuckSensor，选定通道冻结并前向填充固定时长值）和多通道/全通道缺失（MissingData，系统维护导致的全通道同步中断前向填充）。
2. 严重度与通道联合调制：单标量统合扰动强度与受损通道规模 为了让不同传感器和不同数据集之间的故障压力具有可比性，基准首先利用训练集统计均值与方差对数据进行通道级标准化。随后引入统一标量严重度参数 \(s \in [0, 1]\)，其在区间内遵循均匀连续采样 \(s \sim \operatorname{Unif}([0,1])\)，避免单点极端评估的过拟合。严重度 \(s\) 同时调控两个维度： 一方面通过线性严重度映射函数确定各场景的核心扰动强度： $\(\theta_p(s) = \theta_p^{\min} + s (\theta_p^{\max} - \theta_p^{\min})\)$ 另一方面，对于通道局部的场景，受影响的连续通道数量 \(k_p(s)\) 随严重度动态扩展，并在最大受损通道比例 \(\gamma_{\max}=0.5\) 处施加硬性截断，确保模型评测涵盖从单一传感器轻微失效到半数传感器群体故障的完整退化剖面： $\(k_p(s) = \begin{cases} 0, & \text{if } s = 0, \\ 1 + \lfloor s (\lceil \gamma_{\max} m_{\text{cont}} \rceil - 1) \rfloor, & \text{if } s \in (0, 1] \end{cases}\)$
3. 正交迁移故障集设计：无数据泄漏的故障感知训练切分 针对现有防御方法常常“在测试场景同分布故障下训练”而导致过拟合评估的问题，基准定义了仅供训练使用的独立正交迁移故障集 \(\mathcal{P}_{\text{trans}}\)。该集合包含 7 种与评测场景相邻但机理不同的故障家族：线性漂移（LinearDrift）、非线性漂移（NonlinearDrift）、尺度缩放（Scaling）、时变缩放（TimeVaryingScaling）、常数截断（TrimmingConstant）、动态衰减截断（TrimmingVarying）以及丢包（PacketLoss）。所有模型评测严格在 \(\mathcal{P}\) 上进行，而显式故障数据增强（Fault Augmentation）方法仅允许在 \(\mathcal{P}_{\text{trans}}\) 上训练，从而公正检验防御机制在面对未知传感器故障时的跨家族迁移与泛化能力。
4. 解耦式三元鲁棒性度量：清晰分离相对敏感度与绝对预测误差 现有基准常仅报告受扰后的误差，极易将“模型在干净数据上的高精度”误判为“鲁棒性强”。针对这一问题，本文构建了解耦的三元评估指标体系： - 名义均方误差（Clean MSE, \(\mathrm{MSE}_c\)）：模型在无故障干净输入下的基准预测性能。 - 最差场景退化比（Worst-Scenario Degradation, \(\mathcal{D}_w\)）：模型在最恶劣场景下的相对误差放大倍数，反映纯粹的相对鲁棒性： $\(\mathcal{D}_p(f) = \frac{\mathrm{MSE}_p(f)}{\mathrm{MSE}_c(f)}, \quad \mathcal{D}_w(f) = \max_{p \in \mathcal{P}} \mathcal{D}_p(f)\)$ - 最差场景故障期绝对误差（Worst-Scenario Fault-Time MSE, \(\mathrm{MSE}_w\)）：模型在其自身最差场景下的实际绝对预测误差，计算方式为 \(\mathrm{MSE}_w(f) = \max_{p \in \mathcal{P}} \mathrm{MSE}_p(f)\)。
对于鲁棒性增强方法，引入成对增量 \(\Delta \mathcal{D}_w(f', f_b) = \mathcal{D}_w(f') - \mathcal{D}_w(f_b)\)、\(\Delta \mathrm{MSE}_c\) 以及 \(\Delta \mathrm{MSE}_w\)，使方法的相对稳健性提升与名义精度代价一目了然。
损失函数 / 训练策略¶
模型选择与超参数调优严格基于无污染的验证集 \(\mathcal{D}_{\text{val}}\)（Clean Validation Selection），严禁利用带故障数据或测试集信息泄漏。每个数据集-架构-方法组合分配至多 40 个随机网格搜索候选，上限 200 个 epoch，并施加基于验证集的早停机制。防御方法涵盖六大技术路径：PGD 对抗训练（基于输入端 \(L_\infty\) 梯度扰动）、随机化训练（Randomized Training）、后处理随机平滑（Randomized Smoothing with \(\alpha\)-trimmed 回归）、自适应鲁棒损失（Adaptive Robust Loss, ARL）、可逆实例归一化（RevIN）以及基于 \(\mathcal{P}_{\text{trans}}\) 的故障数据增强。
实验关键数据¶
主实验¶
评估涵盖 4 个真实工业与 CPS 任务：北京空气质量监测（Beijing Air Tiantan，12 输入通道，预测 PM2.5 单目标）、苏格兰 Penmanshiel 风电场（Penmanshiel WT08 SCADA，65 输入通道，预测风电机组有功功率单目标）、变电站电力变压器遥测（ETTh1，7 通道全量预测）以及加州高速公路车道占用率（Traffic，862 通道全量预测）。对比了 7 种基线架构：SeasonalNaive、DLinear、GRU、ModernTCN、TSMixer、PatchTST 与零样本大模型代表 Chronos-2。
下表展示了 7 种基准架构在 4 个数据集上的三元核心指标对比（加粗表示该指标下最优值）：
| 数据集 | 指标 | SeasonalNaive | DLinear | GRU | ModernTCN | TSMixer | PatchTST | Chronos-2 |
|---|---|---|---|---|---|---|---|---|
| Beijing Air Tiantan | \(\mathcal{D}_w\) (↓) | 1.353 | 1.628 | 1.251 | 1.502 | 1.153 | 1.376 | 1.230 |
| \(\mathrm{MSE}_c\) (↓) | 0.353 | 0.329 | 0.281 | 0.301 | 0.359 | 0.338 | 0.349 | |
| \(\mathrm{MSE}_w\) (↓) | 0.477 | 0.536 | 0.352 | 0.452 | 0.414 | 0.465 | 0.429 | |
| Penmanshiel WT08 | \(\mathcal{D}_w\) (↓) | 1.320 | 1.259 | 1.064 | 1.183 | 1.256 | 1.202 | 1.160 |
| \(\mathrm{MSE}_c\) (↓) | 0.389 | 0.340 | 0.346 | 0.336 | 0.353 | 0.354 | 0.401 | |
| \(\mathrm{MSE}_w\) (↓) | 0.514 | 0.428 | 0.368 | 0.397 | 0.443 | 0.426 | 0.466 | |
| ETTh1 | \(\mathcal{D}_w\) (↓) | 1.288 | 1.251 | 1.064 | 1.216 | 1.169 | 1.312 | 1.448 |
| \(\mathrm{MSE}_c\) (↓) | 0.634 | 0.438 | 0.664 | 0.462 | 0.475 | 0.431 | 0.496 | |
| \(\mathrm{MSE}_w\) (↓) | 0.817 | 0.548 | 0.707 | 0.562 | 0.555 | 0.566 | 0.718 | |
| Traffic | \(\mathcal{D}_w\) (↓) | 1.210 | 1.177 | 1.284 | 1.265 | 1.290 | 1.676 | 1.911 |
| \(\mathrm{MSE}_c\) (↓) | 1.270 | 0.684 | 0.726 | 0.575 | 0.631 | 0.453 | 0.602 | |
| \(\mathrm{MSE}_w\) (↓) | 1.537 | 0.806 | 0.932 | 0.728 | 0.814 | 0.759 | 1.150 |
消融与鲁棒性防御方法成对增量实验¶
在五种可端到端训练的深度网络（DLinear, GRU, ModernTCN, TSMixer, PatchTST）上测试 7 种鲁棒性防御方法的平均相对增量（\(\Delta = f' - f_b\)，负值表示改善，加粗表示各数据集最优增量）：
| 数据集 | 成对增量指标 | PGD对抗训练 | Ensemble集成 | 随机化训练 | 随机平滑 | 自适应鲁棒损失 | RevIN | 故障数据增强 |
|---|---|---|---|---|---|---|---|---|
| Beijing Air Tiantan | \(\Delta \mathcal{D}_w\) | -0.136 | +0.007 | -0.146 | +0.001 | -0.024 | +0.053 | -0.039 |
| \(\Delta \mathrm{MSE}_c\) | +0.004 | -0.009 | +0.026 | +0.002 | +0.001 | +0.005 | +0.005 | |
| \(\Delta \mathrm{MSE}_w\) | -0.038 | -0.009 | -0.018 | +0.003 | -0.005 | +0.025 | -0.007 | |
| Penmanshiel WT08 | \(\Delta \mathcal{D}_w\) | -0.059 | -0.023 | -0.036 | -0.002 | +0.144 | +0.110 | -0.019 |
| \(\Delta \mathrm{MSE}_c\) | -0.005 | -0.007 | -0.003 | +0.003 | +0.040 | -0.001 | -0.001 | |
| \(\Delta \mathrm{MSE}_w\) | -0.026 | -0.016 | -0.016 | +0.003 | +0.102 | +0.037 | -0.008 | |
| ETTh1 | \(\Delta \mathcal{D}_w\) | 0.000 | -0.005 | -0.004 | 0.000 | +0.001 | +0.124 | -0.001 |
| \(\Delta \mathrm{MSE}_c\) | -0.005 | -0.005 | +0.009 | -0.001 | +0.033 | -0.045 | +0.003 | |
| \(\Delta \mathrm{MSE}_w\) | -0.005 | -0.007 | +0.008 | -0.001 | +0.037 | +0.010 | +0.002 | |
| Traffic | \(\Delta \mathcal{D}_w\) | +0.023 | -0.019 | +0.011 | -0.021 | -0.007 | +0.267 | -0.025 |
| \(\Delta \mathrm{MSE}_c\) | -0.020 | -0.017 | -0.007 | +0.011 | +0.075 | -0.063 | -0.013 | |
| \(\Delta \mathrm{MSE}_w\) | -0.016 | -0.037 | -0.003 | +0.008 | +0.100 | +0.071 | -0.026 |
关键发现¶
- 名义最优掩盖严重脆弱性：在 Traffic 数据集上，PatchTST 取得了极其惊艳的名义均方误差（\(\mathrm{MSE}_c = 0.453\)），但在遭遇传感器故障时其退化倍数剧烈恶化至 \(\mathcal{D}_w = 1.676\)；反之，ModernTCN 虽然名义误差稍逊（\(0.575\)），但其面对故障展现了更优秀的绝对抵御能力（\(\mathrm{MSE}_w = 0.728\) 优于 PatchTST 的 \(0.759\)）。在 Penmanshiel WT08 上，GRU 名义误差落后于 ModernTCN 和 DLinear，但其退化倍数仅为 \(1.064\)，故障期误差全场最低（\(0.368\)）。名义榜单排序无法反映故障状态下的真实可用性。
- 零样本时序基础模型的鲁棒性幻觉：被寄予厚望的零样本大模型代表 Chronos-2 表现极为疲软。在单目标预测任务中，其名义误差甚至与最简易的最后值幼稚基线（Last-value Naive）相当或落后（Penmanshiel WT08 上 Chronos-2 为 \(0.401\) vs Naive \(0.389\)）；在多通道预测的 ETTh1 和 Traffic 上，Chronos-2 的最差退化比在所有模型中最为严重（分别高达 \(1.448\) 和 \(1.911\)），说明未对工业特定信道物理特性微调的基础大模型对硬件故障极度脆弱。
- 故障易感性存在结构化分异：单目标短预测期场景（Beijing Air, Penmanshiel）的退化主导因素集中于数值型故障（尤其是高斯噪声与突发尖峰）；而多变量长预测期场景（ETTh1, Traffic）的退化主要由可用性故障（传感器卡滞和缺失）驱动。
- 防御策略的非均匀迁移与 RevIN 的双刃剑效应：没有一种防御方法能在所有场景下保持占优。PGD 对抗训练和随机化训练在数值故障主导的场景中压降退化最显著（\(\Delta \mathcal{D}_w\) 分别达到 \(-0.136\) 和 \(-0.146\)），而故障数据增强在可用性故障主导的 Traffic 上脱颖而出（\(\Delta \mathcal{D}_w = -0.025\)）。作为时序标配的 RevIN 展现出显著的负面效应：虽然有效降低了 ETTh1 和 Traffic 的名义误差（\(\Delta \mathrm{MSE}_c\) 降低达 \(-0.045\) 和 \(-0.063\)），但却放大了异常值在实例均值与方差计算中的畸变，导致故障退化比大幅恶化（\(\Delta \mathcal{D}_w\) 激增 \(+0.124\) 和 \(+0.267\)）。
亮点与洞察¶
- 提出首个面向 CPS 真实传感器失效的基准测试体系：打破传统对抗攻击或人工加噪的离散化测试，从底层硬件机理抽象出数值、时序、可用性三大类 8 种标准化场景，推动时序评测从“纯粹拟合精度”走向“高可靠工业部署能力”。
- 三元解耦度量纠正评估偏差：清晰将评测指标拆分为名义误差、相对退化倍数和最差故障期绝对误差，有效防止了用高基准精度遮掩系统级脆弱性的评测假象。
- 正交不相交的故障迁移评测集（\(\mathcal{P}_{\text{trans}}\)）设计：在基准中前瞻性地将训练故障族与评测故障族解耦，为未来故障自适应算法提供了真正检验零样本鲁棒迁移能力的黄金标准。
局限与展望¶
- 单场景与确定性故障假设：当前的基准协议在单次评估窗口内仅激活单一故障场景，未考虑多种复合故障（如时序失准叠加高噪声）或持续的闭环级联反应。
- 缺乏工业闭环控制与数字孪生反馈：基准严格基于离线记录的时间序列输入端扰动，未模拟在电力、风机等实际物理控制闭环中传感器故障触发的控制器反馈作用。
- 防御机制仍局限于传统范式：评测的防御方法多为传统深度学习技巧（数据增强、正则化、损失函数改进），尚未探索结合大语言模型或神经符号系统的主动容错与实时传感器重构机制。
相关工作与启发¶
- vs TSRBench / RobustTSF: TSRBench 等工作主要引入通用的合成噪声或异常点污染，缺少真实工业 CPS 传感器特有的时间同步失准（TimeStretch/TimeCompress）与传感器卡死（StuckSensor）机制；SensorFault-Bench 的场景设计完全溯源于传感器硬件与 SCADA 报警机制。
- vs 传统对抗鲁棒性工作 (Liu et al. / Yoon et al.): 传统方法多基于梯度的白色/黑色模型目标定向攻击，与实际物理世界的非对抗性硬件随机故障相去甚远；SensorFault-Bench 的标准化严重度模型具有普适的物理可解释性。
评分¶
- 新颖性: ⭐⭐⭐⭐☆ 首次系统化构建基于真实 CPS 传感器故障的时序预测鲁棒性基准，提出正交迁移与三元度量协议。
- 实验充分度: ⭐⭐⭐⭐⭐ 涵盖 4 大真实工业场景、7 种代表性架构及 7 种防御策略，配有严谨的敏感性分析与成对增量统计检验。
- 写作质量: ⭐⭐⭐⭐⭐ 概念清晰，机理定义公式严格，逻辑链完整且实验与结论高度自洽。
- 价值: ⭐⭐⭐⭐⭐ 对工业时序预测系统落地、安全关键型基础设施的 AI 选型具有极强的指导价值和基石意义。