FactoryNet：面向工业时间序列基础模型的大规模数据集

arXiv:2605.09081v5 公告类型：替换 摘要：工业机器是受驱动系统，但大多数开放时间序列语料库仅记录传感器测量结果；少数记录了指令信号的语料库也采用因机器而异的厂商特定格式，因此无法跨实体形态比较指令意图与测量响应。我们提出 FactoryNet，一个用于工业时间序列预训练的语料库：涵盖七种实体形态、四类任务的 5.7 万次端到端任务执行（1.5 万次真实执行、4.2 万次合成执行），共计 1.13 亿个数据点，并提供 27 种带标注的异常类型、正常基线及反事实配对。所有来源中的每个信号均映射至统一的控制理论模式 Setpoint、Effort、Feedback、Context（S-E-F-C），该模式以通用表示框架描述任意受驱动系统，并将指令与实际响应之间的动态差异呈现为显式预测残差。利用该语料库，我们发现，仅使用仿真训练、不使用任何真实阶段标签的任务阶段模型，在两种机器人上均能达到真实数据性能上限的约三分之二；迁移在同一机器人系列内有效，但跨厂商时鲜有成效。故障特征则表现不同：未经校准的仿真器在两种机器人上均无法提供可检测的故障信号，而对齐特征分布也无法弥补这一缺陷。有限的区分能力来自 Effort：在实测工具运动的故障判别表现接近随机水平时，电机电流仍能区分故障；而通过校准仿真器以复现这一个通道，即可在真实机器人上识别出一种负载故障。我们据此认为，仿真能够捕捉任务的稳定结构，而故障行为仍具有多样性，且取决于具体故障类型。我们发布 FactoryNet，旨在为工业基础模型提供持续扩展、涵盖多种实体形态的数据基础。