Durante el despliegue de aplicaciones prácticas, la computación de reservorios (RC) es altamente susceptible a efectos de radiación, cambios de temperatura y otros factores. Los reservorios normales son difíciles de garantizar. Para resolver este problema, este artículo propuso un mecanismo de tolerancia a fallos adaptativo aleatorio para una red de estado de eco, es decir, RAFT-ESN, para manejar los fallos de colapso o bizantinos de los neuronas del reservorio. En nuestra consideración, las neuronas defectuosas fueron detectadas y localizadas automáticamente en función de las anomalías de la salida del estado del reservorio. Las sinapsis conectadas a ellas fueron desconectadas y retiradas adaptativamente de la tarea computacional actual. En la serie temporal ampliamente utilizada con diferentes fuentes y características, los resultados experimentales muestran que nuestra propuesta puede lograr una recuperación efectiva del rendimiento en el caso de fallos de neuronas del reservorio, incluyendo la precisión de predicción y la capacidad de memoria a corto plazo (MC). Además, su utilidad fue validada por distribuciones estadísticas.