FactoryNet

FactoryNet是一个大规模、公开可用的工业时间序列数据集，用于在制造过程上训练基础模型。它涵盖6种机器人实体，包含23,000多个事件，覆盖28种异常类型和3种工业任务。数据集按照机器无关的控制理论分解组织信号，支持异常检测、故障诊断、跨机器迁移学习和工业时间序列基础模型预训练等研究。FactoryNet is a large-scale, publicly available industrial time series dataset intended for training foundation models on manufacturing processes. It covers 6 categories of robotic entities, contains over 23,000 events, and spans 28 anomaly types and 3 industrial tasks. The dataset organizes signals via machine-agnostic control theory-driven decomposition, supporting research in areas including anomaly detection, fault diagnosis, cross-machine transfer learning, and pre-training of industrial time series foundation models.

原始信息汇总

数据集概述

FactoryNet 是一个大规模、公开可用的工业时序数据集，旨在为制造流程中的基础模型训练提供支持。该数据集包含 23,000+ 个片段 (episodes)，覆盖 6 种机器人实体、28 种异常类型 和 3 种工业任务。

数据规模与来源

类别	片段数	来源
真实故障注入实验室记录	约 8,340	UR3e (KUKA KR10 即将推出)
统一开源片段	约 4,500	voraus-AD (Yu-Cobot)、AURSAD (UR3e)、UMich CNC
合成数据 (Isaac Sim)	约 10,000	模拟 UR5
总计	23,000+	6 种实体

任务与异常类型

• 工业任务: Pick and Place、Screwdriving、Peg-in-Hole
• 异常类型: 涵盖所有任务的 28 种故障类别

数据组织架构：S-E-F-C 模式

FactoryNet 基于一种与机器无关的控制论分解方案组织所有信号：

• Setpoint (S) - 指令参考（目标位置、速度）
• Effort (E) - 施加的力和扭矩
• Feedback (F) - 测量的传感器读数（实际位置、速度）
• Context (C) - 环境与元数据信号（时间戳、标签、任务阶段）

该架构遵循 IEC 81346 工业标准的分层主干，可实现跨机器的一致性表示，不受制造商或协议影响。

支持的研究任务

• 异常检测与故障诊断
• 过程轨迹的反事实推理
• 跨机器迁移学习
• 过程优化与基线建模
• 工业时序基础模型预训练

存储库结构

FactoryNet/ ├── core/ # 数据管道工具、适配器、特征提取 ├── scripts/ # 数据集处理与下载脚本 └── taxonomy/ # S-E-F-C 信号分类定义 (YAML)

快速使用

安装

bash git clone https://github.com/Forgis-Labs/factorynet.git cd factorynet

uv venv uv pip install -r requirements.txt

加载数据集

python from datasets import load_dataset

ds = load_dataset("forgis/factorynet")

许可协议

• 实验室记录与合成数据：MIT 许可
• 开源子集：保留其原始许可协议，详情参见各数据集卡片。

引用

bibtex @article{othman2026factorynet, title={FactoryNet: A Large-Scale Dataset toward Industrial Time-Series Foundation Models}, author={Karim Othman and Jonas Petersen and Matei Ignuta-Ciuncanu and Camilla Mazzoleni and Federico Martelli and Alessandro Lombardi and Riccardo Maggioni and Philipp Petersen}, journal={arXiv preprint arXiv:2605.09081}, year={2026} }

链接

• 数据集: https://huggingface.co/datasets/Forgis/FactoryNet
• 论文: https://arxiv.org/abs/2605.09081

搜集汇总

数据集介绍

构建方式

FactoryNet数据集由三大数据来源融合构建而成：真实故障注入实验记录（约8,340条）、统一开源子集（约4,500条）以及基于Isaac Sim的合成数据模拟（约10,000条）。数据涵盖拾取与放置、螺丝拧紧、销钉装配三类工业任务，共涉及六种机械臂本体（包括UR3e、KUKA KR10、UR5等），并系统性地纳入28种异常类型。所有信号均按照S-E-F-C（设定点、施力、反馈、上下文）控制理论框架进行标准化组织，该框架根植于IEC 81346工业标准的分层体系，实现了跨机器、跨协议的信号表示统一。

特点

该数据集的核心特点在于其大规模、多本体与异常覆盖的全面性。23,000余条高质量时序列数据涵盖了从真实工业环境到仿真平台的丰富场景，为异常检测与故障诊断提供了极具代表性的基准。S-E-F-C模式的引入不仅保证了数据结构的通用性与可迁移性，还为反事实推理、跨机器迁移学习等前沿研究奠定了坚实基础。此外，数据集内置了统一的标签体系与任务阶段划分，极大便利了对工业过程轨迹的建模与优化分析。

使用方法

FactoryNet的使用过程简洁高效，研究者可首先通过Git仓库克隆代码并安装依赖，随后利用Hugging Face的datasets库直接加载数据集。数据管道提供了适配器与特征提取工具，配合预定义的YAML分类定义文件，用户可以轻松进行异常检测、迁移学习或预训练模型构建等任务。该数据集采用MIT许可证开放实验室与合成数据部分，同时需注意开源子集保留各自原始许可，详细许可信息请参阅各子集的数据卡片。

背景与挑战

背景概述

在工业4.0与智能制造蓬勃发展的浪潮中，基于时间序列数据的异常检测与过程优化成为提升生产效能与可靠性的关键。然而，现有工业数据集普遍规模有限、机械臂类型单一且任务覆盖狭隘，难以支撑面向泛化工业基础模型的训练。为应对这一空白，由Forgis-Labs团队（Karim Othman、Jonas Petersen等）于2026年创建的FactoryNet应运而生。该数据集横跨23,000余条工业操作记录，涵盖6种机器人构型、28种异常类型及3项核心工业任务（拾取与放置、螺丝拧紧、销钉插入），并引入基于IEC 81346标准的S-E-F-C信号分解方案，为跨机器、跨协议的时序数据统一表征奠定了坚实基础。其发布对工业时序基础模型预训练、异常诊断与迁移学习等领域产生了深远影响。

当前挑战

FactoryNet致力于解决工业时间序列领域泛化基础模型训练中数据匮乏与异构性强两大核心挑战。一方面，真实制造场景中异常样本稀缺且分布极不均衡，传统数据集难以支撑大规模、多模态异常模式的鲁棒学习；另一方面，不同厂商机器人的控制系统与通信协议差异巨大，信号命名、采样率与物理含义各异，导致跨设备迁移学习困难重重。在构建过程中，研究团队面临了数据来源碎片化的挑战：需将来自真实实验室注入故障的8,340条UR3e数据、4,500条统一化的开源子集（如voraus-AD、AURSAD、UMich CNC）及10,000条Isaac Sim仿真数据，在保持时序完整性与物理一致性的前提下进行对齐与标准化。此外，如何定义一套既符合控制理论又兼容工业标准（IEC 81346）的通用信号分类体系，以屏蔽底层硬件差异，亦是数据集设计中的关键难题。

常用场景

经典使用场景

在智能制造与工业4.0的浪潮中，时间序列数据已成为工业过程监控与优化的核心资产。FactoryNet数据集以其超过23,000条工业工序记录，覆盖6种机器人构型与28种异常类型，为工业时间序列基础模型的训练提供了关键支撑。其最经典的使用场景在于多任务、多异常的工业过程建模，研究者可基于该数据集开展拾取与放置、螺丝拧紧、轴孔装配等典型工业操作的时序分析与异常检测研究，从而构建泛化能力更强的工业智能模型。

解决学术问题

FactoryNet着力解决了工业时序数据领域长期面临的数据碎片化、标注不一致与跨机器迁移困难等学术难题。通过引入S-E-F-C（设定点-驱动力-反馈-上下文）四维信号分解范式，该数据集将多源异构的工业信号统一在控制理论框架下，使得研究者能够在同一标准化平台上进行异常检测、反事实推理、跨机器迁移学习等前沿课题的探索。其发布大幅提升了工业时序基础模型预训练的可行性与结果可比性，推动了工业人工智能理论与方法的系统化演进。

衍生相关工作

围绕FactoryNet已催生了一系列具有影响力的衍生研究。首先，基于其标准化的S-E-F-C信号架构，研究者构建了面向工业时序的领域特定预训练模型，显著提升了小样本场景下的故障诊断精度。其次，有多项工作利用该数据集中的反事实轨迹对异常成因进行因果推断，开创了工业过程可解释性分析的新方向。此外，跨机器场景下的迁移学习与域适应技术亦以FactoryNet作为基准平台，持续涌现出新颖的算法结构，为工业智能的全栈式演进提供了坚实的数据基石。